一、TensorRT 为什么需要量化

量化是什么：量化在数字信号处理领域，是指将信号的连续取值（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。量化主要应用于从连续信号到数字信号的转换中。

神经网络的量化是在做一件什么事：

• 对 FP32 的权重进行饱和映射：即对权重无需进行校准，只需要进行 ±|max| 映射为 ±127，即 INT8 表示范围即可
• 对 FP32 的激活层进行不饱和映射，需要使用校准数据集来寻求最优的阈值T：
  • 需要寻找合适的阈值 T ，将 ±|T| 映射为 ±127，所以需要校准数据集，用这些数据集经过 FP32 的权重，然后得到每层的特征图（FP32），求取每层特征图的直方图，划分为 2048（NVIDIA）个 bin。之后，选取不同的阈值 T，求不同的阈值 T 对应的 INT8 分布（127 个 BIN）和原始 FP32 分布的 KL 散度，然后选择 KL 散度最低的 T 值，作为量化激活层的阈值。

尽管神经网络模型已经一直在小型化，但计算量还仍在在 200MFLOPS 左右，这个计算量对于目前的（中低端）移动端CPU算力来说，还是有点吃力的，所以移动端要在自己有限算力的情况下，尽可能的做出努力。移动端加速方案可以分为 GPU 和 CPU。

为什么训练得到的模型需要量化才能在移动端使用：

• 大多数深度学习模型在训练训练时，梯度更新往往比较微小，一般模型参数都采用较高精度的 FP32 数据格式进行训练。

• FP32 精度的模型在推理时，可能需要更长时间来预测结果，在移动端侧会影响用户体验，因此，需要提升计算速度，常采用更低精度的 FP16 或 INT8。

• 这样不仅可以减少内存访问（更快搬运数据），还可以采用更小硅片（所需乘法器数目减少），减少与计算相关的功耗（或更高操作数OP）。

经过INT8量化后的模型：

• 模型容量变小了，这个很好理解，FP32 的权重变成 INT8，大小直接缩了 4 倍
• 模型运行速度可以提升，实际卷积计算的 op 是 INT8 类型，在特定硬件下可以利用 INT8 的指令集去实现高吞吐，不论是 GPU 还是 INTEL、ARM 等平台都有 INT8 的指令集优化
• 对于某些设备，使用 INT8 的模型耗电量更少，对于嵌入式侧端设备来说提升是巨大的

二、基础内容

计算机采用 0/1 来标识信息，每个 0 或每个 1 代表一个比特/二进制位（bit），信息一般以三种形式表示：

• 字符串，最小单元是char，占 8 个比特（bit, 简写 b）内存，等于 1 个字节（Byte, 简写 B）。

• 整数 INT（Integer），INT 后面数值表示该整数类型占用内存的比特位数，常用 INT8、INT16、INT32、INT64等。

• 浮点数 FP（Floating points），FP 后面数值也代表该浮点类型占用内存的比特位数，常用 FP16（半精度）、FP32（单精度）和 FP64（双精度）。

下图为不同数据格式占用内存、可表示动态范围和数据精度情况，整体上看，数据内存占用越少，可表示的动态范围越低，精度也越低，浮点数可表示的范围比整数要多得多。

• FP32（单精度）占用 4 个字节，共 32 比特，其中 1 位为符号位（红色），8 位指数位（绿色），23 位尾数位（棕色）。
• FP16（半精度）占用 2 个字节，共 16 比特，其中 1 位为符号位，5 位指数位，10 位有效数字位。与 FP32 相比，FP16 的访存消耗仅为 1/2，也因此 FP16 是更适合在移动终端侧进行 AI 计算的数据格式。
• INT8，占用1个字节，共 8 比特，INT8 是一种定点计算方式，代表整数运算，一般是由浮点运算量化而来。在二进制中一个 “0” 或者 “1” 为 1 bit，INT8 则意味着用 8bit 来表示一个数字。因此，虽然 INT8 比 FP16 精度低，但是数据量小、能耗低，计算速度相对更快，更符合端侧运算的特点。

三、神经网络的量化过程

量化在数字信号处理领域，是指将信号的连续取值（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。量化主要应用于从连续信号到数字信号的转换中。

神经网络的量化：将 FP 32 的权重和激活特征图量化到 INT8

• 权重量化：使用 max-max 的饱和量化即可
• 激活特征图量化：使用非饱和量化，需要使用校准数据集，先使用 FP32 的权重得到每个图形在每层的激活特征图，然后在每层，使用 KL 散度衡量不同阈值 T 得到的【量化后分布和量化前分布的 KL 散度】，每层得到一个最优阈值 T（对应的 KL 散度最小），然后对激活特征图进行不饱和量化即可。

量化的大致分类：

1、不饱和量化

量化的目的就是把训练得到的 FP32 的浮点数卷积操作，转换为 INT8 的卷积操作，这样计算就变成了原来的 1/4，最本质的操作 max-max 映射如下图，也叫不饱和映射（No saturation）：

就是把一个 layer 的激活值范围的给圈出来，然后按照绝对值最大值作为阈值（因此当正负分布不均匀的时候，是有一部分是空缺的，也就是一部分值域被浪费了，也就是正负值的绝对值最大值相差较大），然后把这个范围直接按比例给映射到正负128的范围内来，公式如下：

FP32 Tensor (T) = scale_factor(sf) * 8-bit Tensor(t) + FP32_bias (b)

通过英伟达实验得知，bias 值去掉对精度的影响不是很大，因此直接去掉：

T = sf * t

2、饱和量化

上面是简单的 max-max 映射，这是针对均匀分布的，很明显的可以知道，只要数据分布的不是很均匀，那么精度损失是很大很明显的，于是很多情况下是这么干的，也叫饱和映射（Saturation），这种做法不是将 ±|max| 映射为 ±127，而是存在一个 阈值 |T| ，将 ±|T| 映射为±127，显然这里 |T|<|max|，阈值选取得当，就能将分布散乱的较大的值舍弃掉，也就有可能使精度损失不至于降低太多。：

为什么量化是可以保证原信息的？

• 量化可以看做保留低频信息的过程，有些高频信息不是很重要，只需要低频信息就可以得到很多的信息。

为什么说最大值映射会精度损失严重？

• 由于正负分布很不均匀，如果按照对称最大值映射（原意是为了尽可能多地保留原信息）的话，那么+max 那边有一块区域就浪费了，也就是说 scale 到 int8 后，int8 的动态范围就更小了

• 像上图这样，先找一个阀值 T，然后低于最低阀值的就全部都饱和映射到 -127 上，如上图的左边的三个红色的点就是这么处理的。

如何寻找 T：

• 建立一个模型来评估量化前后的精度损失，使得损失最小

• NVIDIA 选择的是 KL-divergence，其实就是相对熵，来衡量两个分布的差异程度，所以也就是找到让熵最小的量化后的分布

• KL 散度公式如下：

  

在编码理论里面，把 log 的底变为2，出来的就是 bit 位数，也就是描述一段信息的信息量需要多少个 bit

KL 散度就是来精确测量这种最优和次优之间的差异。在这里 FP32 就是原来的最优编码，INT8 就是次优的编码，用 KL 散度来描述这两种编码之间的差异。

NVIDIA 是怎么实现两者的映射：

• 将 FP32 划分到 2048 个 bin，INT8 划分到 128 个 bin
• 找到合理的阈值 T，将 2048 个 bin 映射到 128 个 bin，并且信息熵损失最小

INT8 量化流程：

int8 scale 表获取流程如下，首先准备一个校准数据集，然后对每一层：

• 收集激活值的直方图；
• 基于不同的阈值产生不同的量化分布；
• 然后计算每个分布与原分布的相对熵，然后选择熵最少的一个，也就是跟原分布最像的一个。
• 此时阀值就选出来啦，对应的 scale 值也就出来了，scale = T/127。

Calibration 校准：基于实验的迭代搜索阀值。

• 校准是量化的核心部分，提供一个样本数据集（最好是验证集的子集），称为 “校准数据集”，它用来做校准。

• 在校准数据集上运行 FP32 推理。收集激活特征图的直方图，选择不同的阈值，并计算 KL 散度，选择具有最少 KL 散度的阈值作为量化阈值，KL 散度是在参考分布（即 FP32 激活）和量化分布之间（即 INT8 激活）之间。

• FP32 Tensor (T) = scale_factor(sf) * 8-bit Tensor(t)，bias实验得知可去掉。

网络的前向计算涉及到两部分数值：权值和输入值（weights 和 activation，二者要做乘法运算），Szymon Migacz 也提到他们曾经做过实验，说对 weights 做 saturation 没有什么变化，因此对于 weights 的 int8 量化就使用的是不饱和的方式；而对 activation 做 saturation 就有比较显著的性能提升，因此对 activation 使用的是饱和的量化方式。

使用 KL 距离确定 |T|：映射后的分布（如 INT8 分布) 要和 FP32 的分布最接近

• 首先在校准集上进行 FP32 inference 推理；
• 对于网络的每一层（遍历）：
  • 收集这一层的 activation 值，并做直方图（histograms ），分成几个组别（bins）（官方给的一个说明使用的是 2048 组）
  • 对于不同的阈值 |T| 进行遍历，因为这里 |T| 的取值肯定在第 128-2047 组之间，所以就选取每组的中间值进行遍历；选取使得 KL 散度取得最小值的 |T|。
• 返回一系列 |T|值，每一层都有一个 |T|。创建 CalibrationTable 。

神经网络的权重是一些 float 数据，如果将其在二维坐标轴（横轴是值大小，纵轴是频次）上画出来的话，就是下面图一所示的原始概率分布函数曲线：

因此上面系列图可以得到的结论就是：

采样率应当越大越好，越大越接近真实情况呀，但是真实世界里面什么都是有限的，由于硬件、计算力等其他一些约束条件的限制，我们只能采用有限的采样率，这里 TensorRT 取的 2048 bins，而 mxnet 则取的是 4000bins（仅正半轴），bins 越多，优点是找到的饱和阀值更好，但是缺陷是在迭代搜索饱和阀址时计算更慢，因此这里又是一个权衡的问题。