关于深度学习量化的操作

0. 简介

深度学习中做量化提升运行速度是最常用的方法，尤其是大模型这类非常吃GPU显存的方法。一般是高精度浮点数表示的网络权值以及激活值用低精度（例如8比特定点）来近似表示达到模型轻量化，加速深度学习模型推理，目前8比特推理已经比较成熟。比如int8量化，就是让原来32bit存储的数字映射到8bit存储。int8范围是[-128,127]， uint8范围是[0,255]。

使用低精度的模型推理的优点：1. 模型存储主要是每个层的权值，量化后模型占用空间小，32比特可以缩减至8比特，并且激活值用8比特后，减小了内存的访问带宽需求。2：单位时间内处理定点运算指令比浮点数运算指令多。

1. 量化分类

一般按照量化阶段不同分为后量化和训练时量化，用的比较多的是后量化，像tensorRT和RKNN按照量化映射方法又可以分为对称量化和非对称量化。

1.1 非对称量化（uint8 0-256）

非对称量化需要一个偏移量Z来完成零点的映射，即量化前的零点和量化后的零点不一致。非对称量化的一般公式为:

S=rmax−rminqmax−qminS=qmax​−qmin​rmax​−rmin​​

Z=qmax−Round(rmaxS)Z=qmax​−Round(Srmax​​)

rmaxrmax​和rminrmin​表示真实数据的最大值和最小值， qmaxqmax​和qminqmin​表示量化后的最大值和最小值，例如uint8就是0和256。 Round()表示取整，如果是量化为int型。

1.1.1 量化

q=Round(rS+Z)q=Round(Sr​+Z)

1.1.2 反量化

r=(q−Z)∗Sr=(q−Z)∗S

1.2 对称量化（int8 -128-127）

对称算法是通过一个收缩因子，将FP32中的最大绝对值映射到8比特的最大值，最大绝对值的负值（注意此值不是fp32的最小值，是最大绝对值的相反数，故对称）映射到8比特的最小值。对称量化在量化前和量化后的零点保持一致，即零点对应，因此无需像非对称量化那样引入一个偏移量Z。 对称量化的一般公式为:

S=∣rmax∣∣qmax∣S=∣qmax​∣∣rmax​∣​

1.2.1量化

q=Round(rS)q=Round(Sr​)Round()表示取整，如果是量化为int型。

1.2.2 反量化

r=q∗Sr=q∗S

2. 量化的优缺点

2.1 量化的优点

1. 减小模型尺寸，如8位整型量化可减少75%的模型大小
2. 减少存储空间，在边缘侧存储空间不足时更具有意义
3. 易于在线升级，模型更小意味着更加容易传输
4. 减少内存耗用，更小的模型大小意味着不需要更多的内存
5. 加快推理速度，访问一次32位浮点型可以访问四次int8整型，整型运算比浮点型运算更快
6. 减少设备功耗，内存耗用少了推理速度快了自然减少了设备功耗
7. 支持微处理器，有些微处理器属于8位的，低功耗运行浮点运算速度慢，需要进行8bit量化

2.2 量化的缺点

1. 模型量化增加了操作复杂度，在量化时需要做一些特殊的处理，否则精度损失更严重
2. 模型量化会损失一定的精度，虽然在微调后可以减少精度损失，但推理精度确实下降

3. 对称和非对称使用

对称量化无需引入偏移量Z，因此计算量低，缺点是量化后的数据是非饱和的，即有一部分区域不存在量化的数据。

非对称量化因为额外引入了一个偏移量来修正零点，因此需要的计算量会大一点。优点是其量化后的数据是饱和的，即量化前的最小值对应量化范围的最小值，量化后的最大值对应量化范围的最大值。

对于fp32的值若均匀分布在0左右，映射后的值也会均匀分布，若fp32的值分布不均匀，映射后不能充分利用。所以非对称可以处理好FP32数据分布不均匀的情况。

若对称算法产生的量化后数据很多都是在【0，127】内，左边的范围利用很少，减弱了量化数据的表示能力，影响模型精度。

此外还有很多其他的魔改版本，比如激活值饱和量化，通过选择合适的阈值T来将一些范围利用少的情况去除，然后再做对称量化。从而也实现对应的饱和量化的操作。下图为魔改版本激活值饱和量化（右图），选择合适的阈值T。以及原始版本权值非饱和量化（左图）