量化因子记录文件说明

量化因子记录文件格式说明

量化因子record文件格式，为基于protobuf协议的序列化数据结构文件，通过该文件、量化配置文件以及原始网络模型文件，生成量化后的模型文件。其对应的protobuf原型定义为：

message SingleLayerRecord {
    optional float scale_d = 1;
    optional int32 offset_d = 2;
    repeated float scale_w = 3;
    repeated int32 offset_w = 4;
    repeated uint32 shift_bit = 5;
    optional uint32 channels = 6;
    optional uint32 height = 7;
    optional uint32 width = 8;
    optional bool skip_fusion = 9 [default = false];
}
message ScaleOffsetRecord {
    message MapFiledEntry {
        optional string key = 1;
        optional SingleLayerRecord value = 2;
    }
    repeated MapFiledEntry record = 1;
}

参数说明如下：

消息	是否必填	类型	字段	说明
ScaleOffsetRecord	-	-	-	map结构，为保证兼容性，采用离散的map结构。
ScaleOffsetRecord	repeated	MapFiledEntry	record	每个record对应一个量化层的量化因子记录；record包括两个成员： key为所记录量化层的layer name。 value对应SingleLayerRecord定义的具体量化因子。
SingleLayerRecord	-	-	-	包含了量化层所需要的所有量化因子记录信息。
	optional	float	scale_d	数据量化scale因子，仅支持对数据进行统一量化。
	optional	int32	offset_d	数据量化offset因子，仅支持对数据进行统一量化。
	repeated	float	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，仅支持卷积层（Convolution），反卷积层（Deconvolution）类型进行channel_wise量化模式。
	repeated	int32	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，当前不支持权重带offset量化模式，offset_w仅支持0。
	repeated	uint32	shift_bit	移位因子。convert_model接口场景下预留字段，当前不支持，不需要配置。
	optional	uint32	channels	由于昇腾模型压缩工具不支持整网infer_shape，需要配置当前层的输入shape信息，该字段用于配置输入的channel大小；
	optional	uint32	height	由于昇腾模型压缩工具不支持整网infer_shape，需要配置当前层的输入shape信息，该字段用于配置输入的height大小。
	optional	uint32	width	由于昇腾模型压缩工具不支持整网infer_shape，需要配置当前层的输入shape信息，该字段用于配置输入的width大小。
	optional	bool	skip_fusion	配置当前层是否要跳过Conv+BN+Scale、Deconv+BN+Scale、BN+Scale+Conv、FC+BN+Scale融合操作，默认为false，即当前层要做上述融合。

对于optional字段，由于protobuf协议未对重复出现的值报错，而是采用覆盖处理，因此出现重复配置的optional字段内容时会默认保留最后一次配置的值，需要用户自己保证文件的正确性。

对于一般量化层需要配置包含scale_d、offset_d、scale_w、offset_w、channels、height、width、shift_bit参数，对于AVE Pooling因为没有权重，因此不能够配置scale_w、offset_w参数，量化因子record文件格式参考示例如下：

record {
    key: "conv1"
    value: {
        scale_d: 0.01424
        offset_d: -128
        scale_w: 0.43213
        scale_w: 0.78163
        scale_w: 1.03213
        offset_w: 0
        offset_w: 0
        offset_w: 0
        shift_bit: 1
        shift_bit: 1
        shift_bit: 1
        channels:3
        height: 144
        width: 144
        skip_fusion: true
    }
}
record {
    key: "pool1"
    value: {
        scale_d: 0.532532
        offset_d: 13
        channels:256
        height: 32
        width: 32
    }
}
record {
    key: "fc1"
    value: {
        scale_d: 0.37532
        offset_d: -67
        scale_w: 0.876221
        offset_w: 0
        shift_bit: 1
        channels:1024
        height: 1
        width: 1
    }
}

量化因子说明

对于量化层数据和权重分别需要提供量化因子scale（浮点数的缩放因子），offset（偏移量）两项，昇腾模型压缩工具采用的是统一的量化数据格式，其应用表达式为：

$\text{[math]}$

支持的取值范围为：

$\text{[math]}$

下面介绍上述表达式的由来，量化通常分为对称量化算法、非对称量化算法两类。如下所示：

对称量化算法原理：
原始高精度数据和量化后INT8数据的转换为： $\text{[math]}$ ，其中scale是float32的浮点数，为了能够表示正负数， $\text{[math]}$ 采用signed int8的数据类型，通过原始高精度数据转换到int8数据的操作如下，其中round为取整函数，量化算法需要确定的数值即为常数scale：

$\text{[math]}$

对权值和数据的量化可以归结为寻找scale的过程，由于 $\text{[math]}$ 为有符号数，要保证正负数值表示范围的对称性，因此对所有数据首先进行取绝对值的操作，使待量化数据的范围变换为 $\text{[math]}$ ，再来确定scale。由于INT8在正数范围内能表示的数值范围为[0,127]，因此scale可以通过如下方式计算得到：

$\text{[math]}$

确定了scale之后，INT8数据对应的表示范围为 $\text{[math]}$ ，量化操作即为对量化数据以 $\text{[math]}$ 进行饱和，即超过范围的数据饱和到边界值，然后进行公式所示量化操作即可。
非对称量化算法原理：
与对称量化算法主要区别在于数据转换的方式不同，如下，同样需要确定scale与offset这两个常数。

$\text{[math]}$

确定后通过原始高精度数据计算得到UINT8数据的转换，即为如下公式所示：

$\text{[math]}$

其中，scale是FP32浮点数， $\text{[math]}$ 为unsigned INT8定点数，offset是INT8定点数。其表示的数据范围为 $\text{[math]}$ 。若待量化数据的取值范围为 $\text{[math]}$ ，则scale和offset的计算方式如下：

$\text{[math]}$ ， $\text{[math]}$

而昇腾模型压缩工具采用的是统一的量化数据格式，即量化数据格式统一：

通过将非对称量化公式通过简单的数据变换，可以使得量化后的数据与对称量化算法在数据格式上保持一致，均为int格式。具体变换过程如下：

以int8量化为例进行说明，公式符号与之前保持一致，输入原始高精度浮点数据为 $\text{[math]}$ ，原始量化后的定点数为 $\text{[math]}$ ，量化scale，原始量化 $\text{[math]}$ （算法要求强制过零点，否则可能会出现精度问题），原始量化的计算原理公式如下：

其中。通过上述变换，可以将量化数据也转成int8格式。确定scale和变换后的offset'后，通过原始高精度浮点数据计算得到INT8数据的转换既为如下公式所示：

$\text{[math]}$

父主题： 附录