简介
本章节详细介绍昇腾模型压缩工具量化场景，以及每个场景下的功能。
- 训练后量化和量化感知训练
- 数据（activation）量化和权重（weight）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）。
- INT8量化
量化根据量化后低比特位宽大小分为常见的INT8、INT4、Binary量化等，当前昇腾模型压缩工具仅支持INT8量化。
由于软件约束（动态shape场景下暂不支持输入数据为DT_INT8），量化后的部署模型使用ATC工具进行模型转换时，不能使用动态shape相关参数，例如--dynamic_batch_size和--dynamic_image_size等，否则模型转换会失败。
各功能以及功能实现过程中所使用的术语解释如下：
训练后量化
训练后量化（Post-Training Quantization，简称PTQ）是指在模型训练结束之后进行的量化，对训练后模型中的权重由浮点数（当前支持float32）量化到低比特整数（当前支持int8），并通过少量校准数据基于推理过程对数据（activation）进行校准量化，进而加速模型推理速度。训练后量化简单易用，只需少量校准数据，适用于追求高易用性和缺乏训练资源的场景。
通常，训练后的模型权重已经确定，因此可以根据权重的数值离线计算得到权重的量化参数。而通常数据是在线输入的，因此无法准确获取数据的数值范围，通常需要一个较小的有代表性的数据集来模拟在线数据的分布，利用该数据集执行前向推理，得到对应的中间浮点结果，并根据这些浮点结果离线计算出数据的量化参数。
其原理如图1所示。
量化感知训练
量化感知训练（Quantization-Aware Training，简称QAT）是指在重训练过程中引入量化，通过重训练提高模型对量化效应的能力，从而获得更高的量化模型精度的一种量化方式。量化感知训练借助用户完整训练数据集，在训练过程中引入伪量化的操作（从浮点量化到定点，再还原到浮点的操作），用来模拟前向推理时量化带来的误差，并借助训练让模型权重能更好地适应这种量化的信息损失，从而提升量化精度。
通常，量化感知训练相比训练后量化，精度损失会更小，但主要缺点是整体量化的耗时会更长；此外，量化过程需要的数据会更多，通常是完整训练数据集。
其运行原理如图2所示。
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，通过修改用户推理模型，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。
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。
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量化因子记录文件。
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量化因子记录文件。
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，由此引入量化敏感度的概念。
量化敏感度就是评价网络模型或者可量化层受量化影响大小的方式。常见的指标有MSE（Mean Square Error，均方误差），余弦相似度，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完成。
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。
具体计算方法为：
，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。
