深度學(xué)習(xí)模型量化方法

深度學(xué)習(xí)模型量化概述

深度學(xué)習(xí)模型量化是一種重要的模型輕量化技術(shù)，旨在通過減少網(wǎng)絡(luò)參數(shù)的比特寬度來減小模型大小和加速推理過程，同時盡量保持模型性能。從而達(dá)到把模型部署到邊緣或者低算力設(shè)備上，實現(xiàn)降本增效的目標(biāo)。

01定義

模型量化是指將神經(jīng)網(wǎng)絡(luò)的浮點算法轉(zhuǎn)換為定點算法，通常涉及將浮點數(shù)參數(shù)轉(zhuǎn)換為低位數(shù)的整數(shù)，例如從32位浮點數(shù)(FP32)到8位整數(shù)(INT8)。這一技術(shù)通過減少模型中參數(shù)的位數(shù)來降低模型的存儲需求和計算復(fù)雜性。

02主要類型

靜態(tài)量化：

在模型訓(xùn)練后進(jìn)行，不涉及重新訓(xùn)練。它通常用于不需要細(xì)粒度調(diào)優(yōu)的場景。

動態(tài)量化：

在模型推理時進(jìn)行，對權(quán)重進(jìn)行量化，但保留中間激活的浮點數(shù)表示。它適用于那些需要保持較高推理精度的應(yīng)用。

量化感知訓(xùn)練QAT

QAT - Quantization Aware Training, 在訓(xùn)練過程中將量化考慮在內(nèi)，通過模擬低精度的效果來訓(xùn)練模型。這種方法可以最大限度地減少量化對模型精度的影響。

03量化方法

均勻量化：

所有權(quán)重與激活值被量化到均勻間隔的離散值上。這簡化了量化的實現(xiàn)，是一種普遍使用的量化方法。

非均勻量化：

考量到分布的不均勻性，通過對數(shù)或其他方式量化，目的是最小化量化前后的信號失真。

對稱與非對稱量化：

對稱量化在正負(fù)數(shù)值上使用相同的量化間隔，非對稱量化則允許正負(fù)數(shù)值有不同的量化間隔。

常用量化框架

當(dāng)前工業(yè)界常用的主流量化工具與框架主要有以下三種!

01PyTorch(torch.quantization)

支持訓(xùn)練后量化。PyTorch的量化支持主要包括三種方式：訓(xùn)練后動態(tài)量化(Post Training Dynamic Quantization)、訓(xùn)練后靜態(tài)量化(Post Training Static Quantization)以及量化感知訓(xùn)練(Quantization Aware Training, QAT)。

訓(xùn)練后量化

1. 訓(xùn)練后動態(tài)量化

概述：訓(xùn)練后動態(tài)量化是指在模型訓(xùn)練完成后，僅對模型的權(quán)重進(jìn)行量化，而激活(activations)在推理過程中進(jìn)行量化。這種方式適用于那些對精度要求不是特別高，但需要快速部署的場景。

特點：

簡單易用：不需要重新訓(xùn)練模型，只需要對訓(xùn)練好的模型進(jìn)行量化。 性能提升：與浮點數(shù)模型相比，量化后的模型在推理速度上會有顯著提升，同時模型大小也會減小。 示例代碼：

import torch 
from torch import nn 
from torch.quantization import quantize_dynamic 




class DemoModel(nn.Module): 
    def __init__(self): 
        super(DemoModel, self).__init__() 
        self.conv = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=1) 
        self.relu = nn.ReLU() 
        self.fc = nn.Linear(2, 2) 


    def forward(self, x): 
        x = self.conv(x) 
        x = self.relu(x) 
        x = self.fc(x) 
        return x 


model_fp32 = DemoModel() 
model_int8 = quantize_dynamic( 
    model=model_fp32, 
    qconfig_spec={nn.Linear},  # 僅對Linear層進(jìn)行量化 
    dtype=torch.qint8 
)

2. 訓(xùn)練后靜態(tài)量化

概述：訓(xùn)練后靜態(tài)量化是指對模型訓(xùn)練完成后，不僅對權(quán)重進(jìn)行量化，還對激活進(jìn)行量化。這種方式需要收集一些代表性的數(shù)據(jù)來標(biāo)定(calibrate)量化參數(shù)，以確保量化后的模型精度盡可能接近原始模型。由于同時量化了權(quán)重和激活，因此量化后的模型精度通常比動態(tài)量化更高。需要收集代表性的數(shù)據(jù)來標(biāo)定量化參數(shù)。

示例流程：

1. 準(zhǔn)備標(biāo)定數(shù)據(jù)集。

2. 加載并準(zhǔn)備模型(設(shè)置eval模式，并附加量化配置)。

3. 使用標(biāo)定數(shù)據(jù)集對模型進(jìn)行標(biāo)定，以收集權(quán)重和激活的分布信息。

4. 將標(biāo)定后的模型轉(zhuǎn)換為量化模型。

量化感知訓(xùn)練(QAT)

雖然QAT不屬于訓(xùn)練后量化的范疇，但它是另一種重要的量化方式，值得提及。QAT是在模型訓(xùn)練過程中插入偽量化模塊，模擬量化效應(yīng)，從而提高模型對量化操作的適應(yīng)能力。這種方式可以在一定程度上彌補(bǔ)靜態(tài)量化在精度上的損失。

02OpenVINO NCCF

OpenVINO NCCF(Neural Network Compression Framework)量化框架是OpenVINO工具套件中的一個重要組成部分，旨在幫助開發(fā)者通過量化技術(shù)優(yōu)化深度學(xué)習(xí)模型的性能。OpenVINO NCCF是一個用于深度學(xué)習(xí)模型壓縮的框架，它提供了多種壓縮算法，包括量化、剪枝、蒸餾等，以幫助開發(fā)者減小模型大小、提高推理速度和降低功耗。量化作為其中的一種重要技術(shù)，通過將模型中的浮點數(shù)參數(shù)轉(zhuǎn)換為整數(shù)，實現(xiàn)了模型的壓縮和加速。

OpenVINO NCCF量化流程

OpenVINO NCCF量化流程通常包括以下幾個步驟：

模型準(zhǔn)備：

首先，需要有一個訓(xùn)練好的深度學(xué)習(xí)模型，該模型可以是PyTorch、TensorFlow等框架下的模型。

模型轉(zhuǎn)換：

將訓(xùn)練好的模型轉(zhuǎn)換為OpenVINO的中間表示(IR)格式。這一步是可選的，但轉(zhuǎn)換為IR格式可以更好地利用OpenVINO的優(yōu)化功能。

量化配置：

配置量化參數(shù)，包括量化精度(如INT8、FP16等)、量化策略(如對稱量化、非對稱量化等)以及量化目標(biāo)設(shè)備(如CPU、GPU等)。

量化執(zhí)行：

使用OpenVINO NCCF提供的量化工具或API對模型進(jìn)行量化。這一步通常包括前向傳播以收集統(tǒng)計信息、計算量化參數(shù)以及應(yīng)用量化參數(shù)到模型權(quán)重和激活中。

模型評估：

對量化后的模型進(jìn)行評估，以驗證量化對模型精度的影響。如果精度損失在可接受范圍內(nèi)，則可以繼續(xù)使用量化后的模型;否則，需要調(diào)整量化參數(shù)并重新執(zhí)行量化。

模型部署：

將量化后的模型部署到目標(biāo)設(shè)備上，進(jìn)行實際的推理任務(wù)。

OpenVINO NCCF量化優(yōu)勢

高精度保持：

OpenVINO NCCF提供了多種量化策略和算法，可以幫助開發(fā)者在保持模型精度的同時實現(xiàn)顯著的壓縮和加速。

多硬件支持：

OpenVINO NCCF支持多種硬件平臺，包括Intel CPU、GPU、FPGA等，使得量化后的模型可以在不同的硬件上實現(xiàn)高效的推理。

易用性：

OpenVINO NCCF提供了豐富的API和工具，使得開發(fā)者可以輕松地集成和使用量化功能，無需深入了解底層的量化算法和優(yōu)化技術(shù)。

ResNet18的圖像分類模型FP32與INT8量化版本推理速度比較:

在OpenVINO的官方文檔和社區(qū)中，可以找到關(guān)于NCCF量化的詳細(xì)示例和教程。這些示例通常包括模型準(zhǔn)備、轉(zhuǎn)換、量化、評估和部署等整個流程，為開發(fā)者提供了寶貴的參考和指導(dǎo)。

03TensorRT量化框架

TensorRT量化是深度學(xué)習(xí)模型優(yōu)化的一種重要手段，它通過將模型中的參數(shù)(如權(quán)重)從浮點數(shù)(如FP32)轉(zhuǎn)換為整數(shù)(如INT8)來減少模型的存儲和計算成本，從而達(dá)到模型壓縮和運(yùn)算加速的目的。

TensorRT量化的基本概念

NVIDIA的TensorRT是一個高性能的深度學(xué)習(xí)推理優(yōu)化器，它支持多種深度學(xué)習(xí)框架(如TensorFlow、PyTorch等)的模型，并提供了一系列的優(yōu)化技術(shù)，包括量化、層融合、動態(tài)張量等，以加速深度學(xué)習(xí)模型的推理速度。

TensorRT量化的目標(biāo) 減少模型大?。?/p>

通過量化，可以將模型的參數(shù)從浮點數(shù)轉(zhuǎn)換為整數(shù)，從而顯著減少模型的存儲需求。

加速推理速度：

在支持INT8等低精度整數(shù)運(yùn)算的硬件上，使用量化后的模型可以顯著提高推理速度。

降低功耗：

在一些嵌入式或移動設(shè)備上，使用量化后的模型可以降低功耗，延長設(shè)備的使用時間。

TensorRT量化的實現(xiàn)方式

TensorRT支持多種量化方式，主要包括隱式量化和顯式量化兩種：

隱式量化：

在TensorRT的早期版本中，隱式量化是主要的量化方式。它不需要修改模型結(jié)構(gòu)或訓(xùn)練代碼，只需要在模型推理過程中使用TensorRT提供的量化工具進(jìn)行量化。隱式量化通常適用于訓(xùn)練后量化(PTQ)場景。

顯式量化：

從TensorRT 8.0版本開始，顯式量化得到了全面支持。顯式量化允許在模型訓(xùn)練過程中插入量化指令(如QDQ操作)，并在模型推理過程中使用TensorRT進(jìn)行量化。顯式量化可以提供更高的量化精度和更好的性能優(yōu)化。

TensorRT量化的校準(zhǔn)方法

在TensorRT中，量化過程中需要使用校準(zhǔn)數(shù)據(jù)集來確定量化參數(shù)(如縮放因子和零點)。TensorRT支持多種校準(zhǔn)方法，包括熵校準(zhǔn)和最小最大值校準(zhǔn)等：

熵校準(zhǔn)：

熵校準(zhǔn)是一種動態(tài)校準(zhǔn)算法，它使用KL散度(KL Divergence)來度量推理數(shù)據(jù)和校準(zhǔn)數(shù)據(jù)之間的分布差異。在校準(zhǔn)過程中，TensorRT會分析每個張量的分布，并選擇合適的量化參數(shù)以最小化KL散度。

最小最大值校準(zhǔn)：

最小最大值校準(zhǔn)使用最小最大值算法來計算量化參數(shù)。在校準(zhǔn)過程中，TensorRT會統(tǒng)計校準(zhǔn)數(shù)據(jù)中的最小值和最大值，并根據(jù)這些值來計算量化參數(shù)。