当前位置：首页 > news >正文

离线量化算法和工具 --学习记录1

news 来源：原创 2025/5/9 5:59:35

离线量化算法和工具

一、离线量化的基础概念
- 1.1、基本流程
- 1.2、量化的优点和缺点
- 1.3、如何生产一个硬件能跑的量化模型
- 1.4、PTQ的概念以及和QAT的区别
- 1.5、离线量化的标准流程
- 1.6、校准数据的选择
- 1.7、量化模式的选择
- 1.8、校准方式的选择
- 1.9、量化算法的选择
- 1.10、写入量化参数

一、离线量化的基础概念

1.1、基本流程

模型: 特指深度神经网络(用于提取图像/视频/语音/文字特征)
量化: 将信号的连续取值(或者大量可能的离散取值)近似为有限多个(或较少的)离散值的过程。

量化推理的流程(以8bit为例)：
1.将该层权重量化成int8(通过权重的量化参数);
2.将该层输入激活量化为int8(通过激活的量化参数)
3.int8的激活和权重参与该层的运算（比如下图的 Conv2D）,
4.将该层输出激活反量化为浮点格式并送入下一层。

1.2、量化的优点和缺点

模型量化优点:
减少内存: 量化的过程就将神经网络参数的32位浮点数表示，转换为更小的表示形式，例如8位整数。例如，从 32 位变为 8位将使模型大小减少4倍，因此量化的一个明显好处是显著减少内存。
加速推理: 由于可以使用整数而不是浮点数据类型执行操作，因此网络速度得到了提高。整数运算在大多数处理器内核(包括微控制器)上需要更少的计算。

模型量化缺点:
量化的代价是神经网络可能会失去准确性，因为它们不能精确地表示信息。
在这里插入图片描述

1.3、如何生产一个硬件能跑的量化模型

在这里插入图片描述

1.4、PTQ的概念以及和QAT的区别

离线量化又称为训练后量化(Post-Training Quantization， PTQ)，仅需要使用少量校准数据，确定最佳的量化参数降低量化误差。这种方法需要的数据量较少，但量化模型精度相比在线量化(Quantization Aware Training,QAT)稍逊一些。

PTQ 仅仅使用校准数据计算量化参数(scale，zero-point)，而QAT是学习量化参数，甚至训练权重，所以其精度较好。但是PTQ因为其简单易用性，在工业界通常作为量化的第一选择。
在这里插入图片描述

1.5、离线量化的标准流程

选择校准数据:与训练/测试数据同源，非常重要;
选择量化模式:根据目标硬件，选择量化模式(对称/非对称，per-tensor/channel)
选择校准算法:通过自己的量化工具或者推理后端自带的默认量化工具，选择校准算法，校准每一层的激活的量化参数(scale，zero_point)(weight一般不用校准)
选择量化算法:通过量化工具，使用高阶的PTO算法调整权重;
写入量化参数:如果是自己手动产出的量化参数，需要将量化参数塞到模型里，部署到目标硬件;
混合精度:量化误差分析及混合精度部署(可选，当量化精度比较差时

1.6、校准数据的选择

工业界的实际量化中，如果可以选择校准数据，尽量遵循以下原则:量化数据不能太少，最好100-200张，具体数目可根据实际情况调整量化数据与训练/测试数据的来源、类别是相似的。
量化数据最好来源于测试数据的按类sample或者随机sample。量化数据的预处理方式和训练/测试时的预处理方式是一致的，注意BGR/RGB,mean,std等数值的一致性。
由于离线量化只能拿到部分数据，因此校准数据是否能代表实际场景至关重要
在实际使用中经常遇到校准集不够好导致量化掉点的情况。

学术界将该问题极端化，定义了两种场景

无数据量化
Cross-domain量化

1.7、量化模式的选择

（主要是确定量化方案在自己的硬件是否有合适的推理库）

在这里插入图片描述

1.8、校准方式的选择

量化校准方法：Min Max

量化是深度学习模型优化中的一项关键技术，特别是在推理阶段。Min Max 是一种常见的量化校准方法，用于确定量化参数，如 scale（缩放因子）和 zero_point（零点）。

一、对称量化 (Symmetric Quantization)

在对称量化中，量化后的值围绕零点对称。scale 计算公式：
scale = 255 / (2 * max(abs(x))) (对于8位整数，考虑无符号或已处理符号的情况)其中，x 是浮点数的激活张量，max(abs(x)) 是 x 中绝对值的最大值。zero_point：
在对称量化中，zero_point 总是 0。

二、非对称量化 (Asymmetric Quantization)

非对称量化允许量化后的值不围绕零点对称，适用于数据分布不对称的情况。scale 计算公式：
scale = (max(x) - min(x)) / 255 (对于8位整数)其中，max(x) 和 min(x) 分别是 x 中的最大值和最小值。zero_point 计算公式：
zero_point = Clip(Round(min(x) / scale), -128, 127) (对于8位整数)其中，Clip 函数确保 zero_point 在 -128 和 127 的范围内，Round 函数用于四舍五入。

在这里插入图片描述

KL Divergence（Tensorrt常用的量化方式）:

KL Divergence:使用参数在量化前后的KL散度作为量化损失的衡量指标。

在这里插入图片描述

Histogram:

Histogram: 首先采用KL散度的方式将所有参数映射为直方图，然后根据给定百分比，选取直方图的百分位点作为截断值。此方法可以去除掉一些极端值，并且可以灵活调节直方图百分比来调整截断值大小，以适应不同模型

MSE:
MSE: 使用均方误差作为模型量化前后输出的损失的衡量指标。选取使得激活值在量化前后的均方误差最小的量化参数。此方法较为耗时，但是效果常常优于其他方法。

1.9、量化算法的选择

在这里插入图片描述

1.10、写入量化参数

很多推理后端都支持写入量化参数或者写入每一层tensor的range以TensorRT为例，假设我们通过自己的量化工具得到了每一层激活tensor的range，如下方左图，就可以通过下方右图所示的脚本写入到模型里。

在这里插入图片描述

离线量化算法和工具

一、离线量化的基础概念

1.1、基本流程

1.2、量化的优点和缺点

1.3、如何生产一个硬件能跑的量化模型

1.4、PTQ的概念以及和QAT的区别

1.5、离线量化的标准流程

1.6、校准数据的选择

1.7、量化模式的选择

1.8、校准方式的选择

1.9、量化算法的选择

1.10、写入量化参数

相关文章：