简介

量化准备动作简单，只需准备模型和模型匹配的数据集即可。

需要了解Python语法和量化流程。

量化过程简单，只涉及参数选择，无需对量化脚本进行适配。

需要适配修改量化脚本。

当前仅支持如下特性：

• 训练后量化中的均匀量化。
• QAT模型适配CANN模型。

支持量化的所有功能。

数据量化和权重量化

训练后量化和量化感知训练，根据量化对象不同，又分为数据（activation）量化和权重（weight）量化。

当前昇腾AI处理器支持数据（Activation）做对称/非对称量化，权重（weights）仅支持做对称量化（量化根据量化后数据中心点是否为0可以分为对称量化、非对称量化，详细的量化算法原理请参见量化算法原理）。

• 数据（activation）量化

  数据量化是指根据数据的数值分布情况，将输入的数据（activation）处理到低比特。每一层的数据分布是未知且巨大的，只能在前向过程（推理或者训练）中确定，因此数据量化是基于推理或者训练过程的。

  • 训练后量化场景：通过在线量化的方式，修改用户推理模型，在待量化层位置插入旁路量化节点，采集待量化层输入数据，然后校准得到数据量化因子scale、offset。在推理时一般使用少量数据集，代表所有数据集的分布，简单快速。
  • 量化感知训练场景：对数据量化因子scale/offset的训练过程，正向的过程采用scale/offset对数据进行量化；反向的过程则根据反向梯度去计算更新数据量化因子scale/offset。
• 权重（weight）量化

  权重量化是指根据权重的数值分布情况，将权重处理到低比特。

  • 训练后量化场景：通过离线量化的方式，直接从用户推理模型中读取权重数据，然后调用量化算法对权重进行量化，并将量化后数据写回到模型当中，并参与数据量化。
  • 量化感知训练场景：采用训练weights的方案，正向的过程中对原始浮点权重进行量化，然后计算得到量化的权重参与前向推理计算；反向的过程中将接收到的梯度用于更新原始浮点权重。

量化位宽

量化根据量化后低比特位宽大小分为常见的INT8、INT4、INT16、Binary量化等，AMCT支持INT8、INT4和INT16量化方式。

• INT8量化：使用8比特的INT8数据来表示32比特的FP32数据，将FP32的卷积运算过程（乘加运算）转换为INT8的卷积运算，加速运算和实现模型压缩。
• INT4量化：使用4比特的INT4数据来表示32比特的FP32数据。相较于INT8量化，INT4量化可以实现更优的量化效果，但可能带来更大的精度损失，因此可以通过量化感知训练来提高最终的量化模型精度，但将更为耗时。
• INT16量化：使用16比特的INT16数据来表示32比特的FP32数据，将FP32的卷积运算过程（乘加运算）转换为INT16的卷积运算，加速运算和实现模型压缩。INT8量化精度无法满足要求的场景，建议尝试使用INT16量化。

其中：

• 训练后量化中权重量化仅支持INT8量化，数据量化支持INT8和INT16两种量化方式，当前版本仅支持INT8量化。
• 量化感知训练中权重量化和数据量化都支持INT8和INT4量化两种量化位宽。其中：
  • INT8量化：昇腾AI处理器全系列芯片支持。
  • INT4量化：只有Atlas 推理系列产品（Ascend 310P处理器）支持。

测试数据集

数据集的子集，用于最终测试模型的效果。

校准

训练后量化场景中，做前向推理获取数据量化因子的过程。

校准数据集

训练后量化场景中，做前向推理使用的数据集。该数据集的分布代表着所有数据集的分布，获取校准集时应该具有代表性，推荐使用测试集的子集作为校准数据集。如果数据集不是模型匹配的数据集或者代表性不够，则根据校准集计算得到的量化因子，在全数据集上表现较差，量化损失大，量化后精度低。

训练数据集

数据集的子集，基于用户训练网络中的数据集，用于对模型进行训练。

量化因子

将浮点数量化为整数的参数，包括缩放因子（Scale），偏移量（Offset）。

将浮点数量化为整数（以INT8为例）的公式如下：

Scale

量化因子，浮点数的缩放因子，该参数又分为：

• scale_d：数据量化scale因子，仅支持对数据进行统一量化。
• scale_w：权重量化scale因子，支持标量（对当前层的权重进行统一量化），向量（对当前层的权重按channel_wise方式进行量化）两种模式。关于参数的更多说明请参见record记录文件。

Offset

量化因子，偏移量，该参数又分为：

• offset_d：数据量化offset因子，仅支持对数据进行统一量化。
• offset_w：权重量化offset因子，同scale_w一样支持标量和向量两种模式，且需要同scale_w维度一致。关于参数的更多说明请参见record记录文件。

量化敏感度

模型在不同数据精度下，计算结果是有差异的，正常情况下，数据精度越高计算越准确，网络模型的推理结果越准确，而使用量化方法降低网络模型或者某层的数据精度后，会影响模型推理的精度。为了评估这种影响，引入量化敏感度的概念。

量化敏感度用于评价网络模型或者可量化层受量化影响大小。通过比较网络的输出或者某层的输出在量化前后的差异来计算量化敏感度，常见的指标有MSE（Mean Square Error，均方误差），余弦相似度等。

比特复杂度

对模型中的某层来说，浮点计算量为Flops。而比特复杂度（bitops）则综合了浮点计算量和数据精度，描述在不同的数据精度下（比如，FP32/FP16/INT8/INT4），计算资源存在的差异。

具体计算方法如下，其中Flops为浮点计算量，act_bit为数据的数据精度，wts_bit为权重的数据精度。