基本概念
AMCT基于TensorFlow框架运作，实现了神经网络模型中数据与权重低比特量化、稀疏、张量分解、模型部署优化（主要为算子融合）的功能，该工具优点如下：
- 使用方便，安装工具包即可。
- 接口简单，在用户基于TensorFlow框架的推理脚本基础上，调用API即可完成模型压缩。
- 与硬件配套，生成的压缩模型经过ATC工具转换后可在昇腾AI处理器上实现低比特推理。
- 量化、稀疏功能可配置，用户可自行修改量化和稀疏配置文件，调整压缩策略，获取较优的压缩结果。
- 压缩特性中的通道稀疏不依赖特定硬件支持，稀疏后的模型本身即存在存储和计算收益。
AMCT当前使用的压缩方法主要包括：量化、稀疏、组合压缩、近似校准和张量分解，量化过程中会实现模型部署优化（主要为算子融合）功能。
各种压缩方式优缺点比较：
压缩方式 |
优点 |
缺点 |
|
|---|---|---|---|
量化 |
训练后量化 |
|
训练与量化过程分开，通常难以保证量化后模型的精度。 |
量化感知训练 |
|
|
|
稀疏 |
通道稀疏 |
|
|
4选2结构化稀疏 |
稀疏的粒度较小，可以保留较多重要信息，具有细粒度稀疏的精度优势。 |
|
|
量化
量化是指对模型的权重（weight）和数据（activation）进行低比特处理，让最终生成的网络模型更加轻量化，从而达到节省网络模型存储空间、降低传输时延、提高计算效率，达到性能提升与优化的目标。
AMCT将量化和模型转换分开，实现对模型中可量化层的独立量化，并将量化后的模型存为pb文件；其中量化后的仿真模型可以在CPU或者GPU上运行，完成精度仿真；量化后的部署模型可以部署在昇腾AI处理器上运行，达到提升推理性能的目的。经过AMCT量化后的TensorFlow模型，量化后的精度仿真模型和部署模型合二为一。
当前该工具仅支持对FP32/FP16数据类型的网络模型进行量化，以量化到INT8数据类型为例，其运行原理如下图所示。该特性详细介绍请参见量化。
量化根据是否需要重训练，分为训练后量化（Post-Training Quantization，简称PTQ）和量化感知训练（Quantization-Aware Training，简称QAT），概念解释如下：
- 训练后量化
训练后量化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FP32/FP16）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，从而尽可能减少量化过程中的精度损失。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2所示。
- 量化感知训练
量化感知训练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。
量化感知训练当前仅支持对FP32数据类型的网络模型进行量化。其运行原理如图3所示。
模型部署优化
主要为算子融合功能：是指通过数学等价，将模型中的多个算子运算融合单算子运算，以减少实际前向过程中的运算量，如将卷积层和BN层融合为一个卷积层。
其运行原理如下图所示。
稀疏
稀疏是通过结构剪枝的方式，对模型中的部分算子实现权重的稀疏化，从而得到一个参数量更小、计算量更小的网络模型。AMCT目前有两种稀疏方式：通道稀疏和4选2结构化稀疏。每次只能使能其中一种稀疏方式，即对于同一层可压缩算子，通道稀疏和4选2结构化稀疏不能同时配置。
通道稀疏与4选2结构化稀疏相比，稀疏颗粒度更大，对模型的精度影响也越大，但是能够获取到的性能收益也越大，用户可以根据实际情况选择一种稀疏方式。
- 通道稀疏
通道稀疏基于重训练，通过裁剪网络通道数，在保持网络功能的前提下缩减模型参数量，从而降低整网的计算量。由于通道稀疏本身是依据通道的重要性进行裁剪，会裁剪掉重要性相对较低的通道，但是直接裁剪通道对网络精度影响较大，故裁剪后的模型需要进行重训练，以保证业务精度。通道稀疏的实现通常包括两个步骤：首先是通道选择，需要选择合适的通道组合以保留丰富的信息；然后是重建，需要使用选择的通道对下一层的输出进行重建。通道稀疏原理如下图所示。该特性详细介绍请参见通道稀疏。
图5 通道稀疏详细示意图
- 4选2结构化稀疏
由于硬件约束，Atlas 200/300/500 推理产品、Atlas 推理系列产品、Atlas 训练系列产品不支持4选2结构化稀疏特性：使能后获取不到性能收益。
4选2结构化稀疏基于重训练，在每4个连续的权重中保留2个重要性相对较高的权重，其余权重置0。因为稀疏的粒度较小，因此4选2结构化稀疏可以保留较多重要信息，具有细粒度稀疏的精度优势；同时4选2结构化稀疏在专门设计的硬件上可以降低运算量，具有结构化稀疏的性能优势。与通道稀疏不同的是，4选2稀疏并不改变权重的形状，因此不会影响上层或下层的算子。
原理如下图所示，在cin维度上相邻的4个元素为一组，在每组4个元素中保留绝对值最大的两个元素，如果cin不是4的倍数，填0补齐到4的倍数。该特性详细介绍请参见4选2结构化稀疏。
图6 4选2稀疏详细示意图
组合压缩
组合压缩是结合了稀疏和量化的特性，根据配置文件先进行稀疏，然后进行量化；在稀疏时根据相应算法插入稀疏算子，然后量化时，对稀疏后的模型插入数据和权重的量化层和SearchN的层，生成组合压缩模型，以期望得到更高的性能收益。生成组合压缩模型后，对模型进行重训练，保存为既可以进行精度仿真又可以部署的量化模型。
张量分解
深度学习运算，尤其是CV（计算机视觉）类任务运算，包含大量的卷积运算，而张量分解通过分解卷积核的张量，可以将一个大卷积核分解为两个小卷积核的连乘，即将卷积核分解为低秩的张量，从而降低存储空间和计算量，降低推理开销。
以1个64*64*3*3的卷积分解为32*64*3*1和64*32*1*3的级联卷积为例，可以减少1 - (32*64*3*1 + 64*32*1*3) / 64*64*3*3 = 66.7%的计算量，在计算结果近似的情况下带来更具性价比的性能收益。张量分解运行原理如下图所示。该特性详细介绍请参见张量分解。
