神经网络模型的量化简介（工程版）

神经网络模型的量化简介（工程版）

引用

CSDN

1.

https://blog.csdn.net/qq_37424778/article/details/139854969

模型量化是深度学习中一种优化技术，旨在减少模型的计算和存储需求，同时尽量保持模型的性能。具体来说，模型量化通过将模型的权重和激活值从高精度（通常是32位浮点数）缩减到较低精度（如16位、8位甚至更低的整数），从而减少计算复杂度和内存占用。

模型量化具有以下优点：

• 减少存储需求：低精度表示可以显著减少模型的存储空间。
• 加速推理速度：低精度计算通常比高精度计算更快，特别是在支持低精度运算的硬件上。
• 降低功耗：减少计算复杂度和内存访问次数，可以降低功耗，这对于移动和嵌入式设备尤为重要。

概念介绍

• 按量化参数分类，可分为静态量化和动态量化，区别这两种方式主要是是否提供校准集，动态量化更简单，更灵活，但是推理开销较大，会内嵌一些动态参数，特别注意，动态量化对于TensorRT的engine生成较复杂，因为TensorRT不支持DynamicQuantizeLinear操作。
• 按量化时间分类，可分为训练后量化（PTQ）和量化感知训练（QAT），区别这两种方式主要是是否需要对模型进行训练，也就是需要搭配troch、tensorflow等框架来训练模型，QAT方式更加复杂，精度也更高，常规的使用建议直接采用PTQ方式，待PTQ量化模型性能较差，再采用QAT方式进行优化。

动态量化（Dynamic Quantization）（量化方式）

描述：

• 动态量化在模型推理时对部分权重和激活值进行量化。具体来说，模型的权重在推理前保持为浮点数，在推理时将其动态转换为低精度（如8位整数）进行计算。激活值在推理过程中也会动态地从浮点数转换为低精度值。

优点：

• 简便性：无需校准数据集，适用于推理阶段的快速量化。
• 灵活性：适用于多种模型和场景，不需要重新训练模型。

缺点：

• 推理开销：在推理过程中进行动态量化，可能增加一些计算开销。
• 精度损失：虽然动态量化可以减少一些精度损失，但在某些情况下仍可能影响模型性能。

静态量化（Static Quantization）（量化方式）

描述：

• 静态量化的目标是求取量化比例因子，主要通过对称量化、非对称量化方式来求，而找到最大值或阈值的方法有MinMax、KLD、ADMM、EQ等方法。

优点：

• 高效推理：预先量化的模型在推理时效率更高，无需额外的动态计算。
• 较好的精度：通过校准数据集可以较好地保持模型精度。

缺点：

• 需要校准数据集：需要一个代表性的校准数据集来计算量化参数。
• 实施复杂：量化过程可能较为复杂，需要对模型进行详细的分析和调整。

量化感知训练（Quantization-Aware Training, QAT）（量化时间，通过结合静态量化）

描述：

• 量化感知训练（QAT）是一种在模型训练过程中引入量化操作的技术。通过在训练阶段模拟量化误差，模型能够学习并适应量化带来的精度损失，从而在量化后依然保持较高的准确性。QAT通常结合静态量化方法，在训练时将权重和激活值量化为低精度（如8位整数），并在反向传播时考虑量化误差。

优点：

• 最小化精度损失：在训练过程中模拟量化误差，使模型适应量化后的精度损失，通常能保持较高的准确性。
• 高效推理：量化后的模型在推理时效率很高。

缺点：

• 训练复杂度增加：需要在训练过程中引入量化感知机制，增加训练复杂度和时间。
• 计算资源需求高：训练过程需要更多的计算资源和时间。

后训练量化（Post-Training Quantization, PTQ）

描述：

• 在模型训练完成后进行量化，不需要重新训练模型。
• KL散度方法：通过计算原Float32与量化后的参数分布，得到最优

优点：

• 简单快速，适合快速部署。

缺点：

• 可能会有一定的精度损失，尤其是在量化敏感的模型中。

总结

• 动态量化适合需要快速部署和灵活应用的场景，但在推理时可能增加计算开销。
• 静态量化适合推理效率要求高的场景，但需要校准数据集和复杂的量化过程。
• 后训练量化适合已经训练好的模型，希望快速量化以便部署的场景，但可能会导致精度下降。
• 量化感知训练适合对精度要求高的场景，但增加了训练复杂度和资源需求。

QAT与PTQ区别

• 训练中量化：QAT，精度高，复杂；训练后量化：PTQ，精度略低，简单。
• 训练后量化 PTQ ：它是使用一批校准数据对训练好的模型进行校准, 将训练过的FP32网络直接转换为定点计算的网络，过程中无需对原始模型进行任何训练。只对几个超参数调整就可完成量化过程, 且过程简单快速, 无需训练, 因此此方法已被广泛应用于大量的端侧和云侧部署场景， 优先推荐您尝试PTQ方法来查看是否满足您的部署精度和性能要求 。
• 量化感知训练 QAT：它是将训练过的模型量化后又再进行重训练。由于定点数值无法用于反向梯度计算，实际操作过程是在某些op前插入伪量化节点（fake quantization nodes）， 用于在训练时获取流经该op的数据的截断值，便于在部署量化模型时对节点进行量化时使用。我们需要在训练中通过不断优化精度来获取最佳的量化参数。由于它需要对模型进行训练, 对操作人员技术要求较高。

QAT/PTQ量化与静态/动态量化的区别

PTQ（Post-Training Quantization，训练后量化）和QAT（Quantization-Aware Training，量化感知训练）主要是量化方法，而静态量化和动态量化是量化策略。

训练后量化（PTQ）

描述
PTQ是在模型训练完成后，对模型进行量化的一种方法。它不需要在训练过程中考虑量化误差，而是在训练结束后，通过分析训练数据或校准数据，对模型的权重和激活值进行量化。

静态量化 vs 动态量化

• 静态量化：PTQ可以用于静态量化，即在量化时使用一组校准数据来确定量化参数（如缩放因子和零点），并在推理时使用这些预先计算的量化参数。
• 动态量化：PTQ也可以用于动态量化，即在推理时根据输入数据动态地确定量化参数。这种方法通常用于激活值的量化，而权重通常在量化后保持静态。

量化感知训练（QAT）

描述
QAT是在训练过程中引入量化操作的一种方法。通过在训练阶段模拟量化误差，模型能够学习并适应量化带来的精度损失，从而在量化后依然保持较高的准确性。

静态量化 vs 动态量化

• 静态量化：QAT通常用于静态量化，即在训练过程中模拟量化误差，并在训练完成后使用固定的量化参数进行推理。由于模型已经适应了这些量化参数，推理时可以直接使用预先计算的量化参数，达到高效推理的效果。
• 动态量化：QAT一般不用于动态量化，因为动态量化主要是在推理时动态确定量化参数，而QAT的核心在于训练过程中模拟和适应量化误差。

总结

• PTQ：可以用于静态量化和动态量化。静态量化使用预先计算的量化参数，动态量化在推理时动态确定量化参数。
• QAT：主要用于静态量化，通过在训练过程中模拟量化误差，使模型适应固定的量化参数，从而在推理时达到高效和高精度的效果。

详细可参考下面资料进行深入学习：

• GitHub - openppl-public/ppq: PPL Quantization Tool (PPQ) is a powerful offline neural network quantization tool.
• 深度学习之模型优化—理论实践篇（搞定模型剪枝量化蒸馏神经网络搜索，这一门课就够了）_哔哩哔哩_bilibili