8-bits量化已被广泛应用于各种深度学习应用中的加速网络推理。有两种量化方法，基于训练的量化和训练后量化。基于训练的方法遭受繁琐的训练过程，而训练后量化则可能导致不可接受的精度下降。
在本文中提出了一种通过Scale优化的高效且简单的后训练方法，即EasyQuant（EQ），该方法可以获得与基于训练的方法相当的精度。具体而言，首先在卷积输出处交替优化所有层的权重和激活Scale，以进一步获得高量化精度。然后，将权重和激活的比特宽度降低到INT7，并采用INT16中间存储和整数Winograd卷积实现来加速推理。
在各种计算机视觉任务上的实验结果表明，EQ优于TensorRT方法，在7-bits的后训练中可以达到接近INT8的精度。
1、简介
深度卷积神经网络（CNN）在各种计算机视觉任务中取得了相当大的成功，包括分类、检测和识别。然而，由于这些模型所需的巨大计算能力，在计算受限的设备上部署CNN并非易事。量化是减少CNN模型内存占用和计算量的关键技术。
与Float-32（FP32）模型相比，低bits位表示（例如8-bits宽或更低）通常导致精度损失。尽管与后训练方法相比，基于训练的方法可以获得更高的精度，但它们在实际应用中存在一些缺点。例如，训练量化的神经网络是一项耗时的工作，需要专家经验来指导整个训练过程，这会显著影响工作的成功。此外，在某些场景中，整个训练数据不可用于部署量化模型。
在本文中，通过有效地优化权重和激活的Scale，介绍了一种有效且简单的训练后量化方法。提出的Scale优化方法被命名为EasyQuant（EQ）。具体而言，首先将量化卷积过程公式化为优化问题目标，以最大化FP32和INT8输出之间的余弦相似性。这个问题通过交替搜索权重和激活Scale来解决。对于整个网络优化，逐层顺序优化Scale，并贪婪地获得每一层的最优量化Scale。在每一层中联合优化权重和激活的Scale，并基于前一层的量化结果优化下一层的权重和激活Scale。此外，采用INT16中间存储和整数Winograd算法来提高7-bits宽度背景下的真实硬件推理延迟。
最后，在常见计算机视觉任务（包括分类、检测和识别）的不同位宽设置下验证了本文的方法。
总之，本文主要贡献是：
- 提出了一种用于训练后量化的Scale优化方法，该方法交替搜索权重和激活Scale目标，并可以获得与基于训练的量化方法相当的精度。
- 将所提出的训练后量化方法应用于更高效的INT7量化推理框架，这提高了中间INT16存储的使用效率。
- 在各种计算机视觉任务上的大量实验表明，Scale优化方法可以在7-bits的情况下实现有效的INT8训练后量化和接近INT8精度，而无需微调。此外，在实际ARM平台上实现并测试了所提出的EQ INT7推理。
2、相关工作
大多数的量化工作大致可以分为两类，即基于训练的量化和训练后量化。基于训练的量化通常应用复杂的设计，从头开始训练一个低bit位整数模型，或微调一个预先训练过的FP32模型。训练后的量化通常会将预训练过的网络从浮点范围转换为整数范围，以校准应用的Scale。
2.1、基于训练的量化
基于训练的量化的早期工作通常学习更有限bits宽度（例如2-bits以下）的量化网络。由于bits宽度更为有限，这些方法通常会遭受巨大的精度下降。最近的工作集中于更高的bits宽度量化，以获得与FP32模型类似的精度。Mishra等人提出了wide reduced-precision网络，通过增加滤波器数量来克服精度下降，并在4-bits宽度内获得更好的精度。Zhou等人提出逐步量化网络的部分权重，以减少5-bits量化所涉及的训练困难。
在Pact中通过与任务损失相关的训练采用了优化量化阈值，以指导4-bits宽度的训练过程。这些工作都试图从头开始训练小于8-bits的模型，这很难获得与8-bits模型类似的精度。此外，它们需要特定的硬件和软件才能工作，因为大多数应用设备只支持通用的INT8量化模型。因此，在当前的工业应用中很少采用较低bits（4-bits）的基于训练的量化。
另一种基于训练的方法是量化感知训练（QAT）。量化白皮书提出了QAT方法作为一种补充方法，以恢复INT8量化导致的一些损失的精度。QAT模拟了传统训练过程中的量化噪声，并在Float 32范围内使用常规方法训练模型，这些方法通常用于从Float 32模型进行微调。Jain等人通过使阈值在常规训练过程中可训练来改进QAT，这可以看作是一种基于训练的Scale优化方法。由于这些工作没有在训练过程中应用复杂的设计，因此它们可以主要处理8-bits量化，而几乎不考虑来自中间存储的影响。此外，从头开始训练量化模型具有很高的时间复杂性，需要目标任务域和量化域的专家经验，尤其是在更复杂的任务中，如目标检测和人脸识别。
2.2、训练后量化
由于上述缺点，INT8训练后量化成为大多数实际量化应用的主要趋势。这一领域的研究包括英伟达的TensorRT（TRT）和谷歌的Tensorflow-Lite。TRT采用KL散度最小化方法来校准激活的量化阈值，并利用最大绝对值作为权重量化的阈值。Tensorflow-Lite利用最大绝对值作为激活的阈值，并加入了以最大绝对值作为阈值的每通道量化方法来量化权重。这两种方法根据简单的最大绝对值或统计特征来量化激活Scale和权重Scale，在一些预先训练过的网络中，这些网络仍然存在不可接受的性能下降。
后来，Yoni Choukroun等人改进了量化方法，将每个层量化过程视为通过交替黄金分割搜索解决的约束优化过程。由于量化张量的搜索空间很大，整个搜索过程非常耗时。Banner等人通过理论推导最佳限幅值，优化了激活阈值。分析表达式基于激活分布的严格假设，而这在实际模型中很少出现。在这项工作中联合优化了每一层的权重和激活Scale，并以减少卷积输出的量化效应为目标。由于不需要特定的硬件和进一步的假设，本文的方法对于各种模型的情况更加稳健。
2.3、工业实用性
量化技术的一个重要好处是可以减少边缘设备上的推理延迟，而边缘设备的计算能力有限。然而，在有关量化的文献中很少有讨论量化方法的适用性，而且在实际的量化部署中它不是通用的。为了减少一般的边缘设备，如ARM CPU的推理延迟，量化方法为推理时间内的卷积操作提供了量化的权值和激活。有些方法，例如BNN、BEQ以及TNT，它只将权重量化到不动点，很难用来加速真实的推理过程。此外，一些方法OMSE、XNORNet以及OCS确实将权值和激活都量化到不动点，但它们通常需要特定的硬件或软件来促进量化推理的实现。这阻碍了这些方法的广泛使用。
本文的方法量化了权重和激活，而不需要专门的硬件。此外，作者提出了一种关于INT7量化推理的指令级优化，以加速正常的INT8推理，这可以很容易地部署在一般硬件上，例如ARM平台。
3、本文方法
在本节中，首先制定线性量化过程。然后，详细介绍了所提出的Scale优化方法。此外，还讨论了INT7训练后推理的设计。
3.1、线性量化公式
线性量化过程可以表示为函数，其中是一个张量，是一个正实数Scale因子。量化结果，其中为b位宽整数域。线性量化函数包括3个子过程，即、和。输入张量和Scale因子的线性量化公式可以表示为：
其中表示使用上限舍入将的输入张量舍入为整数，而“·”表示元素乘积。在线性量化的不同实现中，它可以采用不同类型的舍入（、或）。表示张量中超出量化域范围的数值被剪裁。
定义一个量化的层神经网络为。、和分别为FP32范围内的第层输入激活、权重和量化Scale因子。具体来说，量化Scale因子（）包含2部分。第层输入激活的Scale记为。第层权重的Scale记为。是应用于特征映射中的每个元素的非负实数。是输入权值的非负实数。为了便于讨论在每层量化方案中举例说明了所提出的方法。对于过通道量化方案，中的每个滤波器都应该有独立的Scale。此外，将预训练的FP32模型的第个输出特征图表示为，其对应的量化推理输出特征图表示为。
因此，在第层的整个线性量化前向卷积和反量化操作可以描述为：
其中，∗为卷积运算。第层的原始输出可以表示为：
从式(2)可以看出，Scale因子实际上控制了量化过程中的阈值，这在很大程度上影响了原始输出特征映射（）和量化推理特征映射（）之间卷积结果的余弦相似性。因此，目标函数侧重于优化权重（）和激活（）的尺度因子，并提高和之间的相似性。
3.2、Scale优化
神经网络模型的量化过程可以分为每一层，其中权值和激活分别被量化，并准备进行卷积操作。卷积层的量化情况如图1所示。
整个信息从神经网络的第一层传递到转换。它在神经网络的最终输出中引入了不可避免的噪声。大多数训练后工作使用KL散度方法来计算每一层的激活的Scale因子。通常，它们使用大约1000个校准数据来近似每一层的输入激活分布。对于每一层的权重Scale，通常使用绝对最大值作为阈值来确定Scale，因为较大的权重值总是主导结果。它们分别优化每个激活的Scale，而不优化权重Scale，这很容易导致误差积累。
它还忽略了优化原始和量化分布之间的相似性这一事实，这不能保证提高原始和量化卷积输出之间的相似。此外，这些方法主要针对激活和权重设计INT8量化，并需要INT32位来保存CNN推理过程中的所有中间结果。这需要更多的计算时间，并限制了它们的应用领域。
为了解决这一问题，作者提出了一种简单有效的Scale优化方法，该方法联合优化激活Scale和量化卷积输出之间的权重。此外，还提出了INT7量化推理，以进一步加速传统的INT8量化，并将其部署在真实的ARM平台上。
1、每层的最佳Scale
根据等式（2）优化了预训练卷积神经网络的比例因子，其中激活是从具有N个样本的给定校准数据集D生成的。它比普通的训练数据集少得多。在神经网络的第层，作者的方法可以表示为最大化输出特征图余弦相似性：
其中，将激活和权重缩放到固定的位宽度范围。一般来说，Scale越大，数值越大，就会饱和到量化范围的最大值。Scale越小，越小的数值就会四舍五入为零。
在这里采用交替优化方法分2个层次来解决这个问题。首先，是固定的，并解决权重调整的。其次，是固定的，并解决以微调激活Scale。和交替优化，直到收敛或超过时间限制。在这里，为了快速收敛，和分别以最大值或激活值初始化。对于和的搜索空间，将的区间线性划分为n个候选选项，并对它们进行简单的搜索策略。
在实验中，超参数、和n对于、和的各种任务都具有鲁棒性。更先进的搜索方法可以用于搜索候选Scale，而在实验中作者发现，简单的搜索策略对目标函数的不规则波动具有更强的鲁棒性。
因此，作者在优化过程中应用了这些合理的初始化策略来解决这个问题。当在每个通道量化方案中优化权值Scale时，其中是c（该层中的滤波器数）维数的集合，这样可以在一个搜索过程中并行地调整每个kernel的独立Scale。
2、对整个网络的最优Scale
在前一节中，将介绍如何优化一层的最优Scale的激活Scale和权重Scale。将作者方法一层一层地应用于整个卷积神经网络。
对于每一层，从当前模型中获得输入激活，其中所有前一层都被量化和优化。从原始模型中收集输出特征图，而不进行量化。采用这种贪婪策略的好处是：
- 将整个网络的优化划分为子问题，有助于减少优化的巨大搜索空间；
- 当前层的优化考虑了来自所有前一层的累积噪声。
首先，对于一个L层卷积神经网络，采用提出的方法依次得到最优Scale。算法1总结了积分模型量化中训练后层的Scale优化方法。
3.3、INT7训练后推理
在这里作者实现了对INT7训练后推理的高效设计。这里还讨论了详细的解释，以提供更多的见解，7位宽的意义。
量化在很大程度上依赖于硬件的特性，以利用低比特推理。在常规的卷积计算中，在ARM NEON指令集中，可以通过有符号向量乘加长指令（SMLAL）和有符号乘加长成对指令（SADALP）来实现。SMLAL指令乘法并添加8位元素以产生16-bits结果，而SADALP指令将两个相邻的16-bits结果添加到32-bits累加器中。使用这两个指令可以在ARM架构上有效地实现卷积过程。上面提到的数据流如图2所示。
在INT8量化中，安全的解决方案是使用32-bits寄存器来存储中间变量。然而，在CortexA处理器中的ARM V8.2-A架构之前，没有指令将2个8-bits寄存器号的乘法结果存储到一个32-bits寄存器中。因此，通用解决方案首先使用SMLAL来增加8位元素并产生16-bits结果，然后使用SADALP将两个相邻的16-bits结果添加到32-bits累加器中。
对于常规卷积运算，8-bits（8位有符号整数）推理只能进行2次SMLAL运算，而不会产生任何溢出，这是无效的。作者提出的7-bits（7位有符号整数）推理可以在没有溢出的情况下进行8次SMLAL，这与INT8推理相比更有效。与8-bits推理相比，它可以在将SMLAL运算添加到32位累加器之前进行更多的SMLAL操作。一般来说，INT7后训练方法可以更多地利用CPU效率，这在工业应用中很重要。
