本文主要讨论一下为什么量化能加速模型推理。
前面已经写过几篇关于模型量化相关的文章：《【模型推理】谈谈几种量化策略：MinMax、KLD、ADMM、EQ》、《【模型推理】谈谈模型量化组织方式》、《【模型推理】谈谈非线性激活函数的量化方式》，要了解相关知识可以查阅，这里主要讨论一下为什么量化能加速模型推理。
量化经常会涉及到 Quantize 和 Dequantize 的过程，其实对于不量化的 flow，量化是会增加操作子的，所以对于量化能加速的原因，可能并没有想象的那么简单。这里以 Conv 层来进行说明量化与不量化的速度区别。
假设输入通道为 C1，输出为 C2HW，卷积核的大小为 K，下述为各个不同类型运算指令的时钟周期：
假设未量化的 Conv 算子使用 fp16 精度进行推理，其耗时如下：
先抛开 Quantize 层和 Dequantize 层不看，单独计算量化为 int8 卷积后的耗时，需要注意的是，为了保证运算不溢出，不能够总是使用 int8 来进行卷积运算，中间计算结果有时需要使用 int16 甚至是 int32 数据类型来保存。下述 n1 表示做多少次 int8 乘加才不会溢出 int16 类型，n2 表示做多少次 int16 乘加才不会溢出 int32 类型：
可以看到当进行 2 次 int8 乘加，就需要把原中间结果保存在 int16 寄存器中的数据累加到 int32 寄存器上；进行 n2 次 int16 加，就需要把本来中间结果保存在 int32 寄存器中的数据累加到 int64 寄存器上。因此，可以得到以下量化卷积后的时间：
上述卷积还未添加 Requantize 操作，其运算操作耗时如下：
最终量化后的卷积操作耗时如下：
整型运算的算力往往要比浮点运算的算力高一倍，指令周期方面整形运算的周期是浮点运算的四分之一。单纯从上述的量化前后的卷积周期耗时来看，确实是会有速度上的提升。
然后我们来考虑加入 Quantize 层和 Dequantize 层，需要引入如下的指令时钟周期：
我们可以很容易得到加入 Quantize 层和 Dequantize 后的总体耗时，如下：
从上述公式，可知加入量化和反量化后，需要涉及到其他众多指令的时钟周期，这样是无法直接判断是否会比未量化的卷积更加快，这个问题需要结合不同的推理部署环境来看。
其实对于部署量化模型，大多数情况之所以可以加速，不止是因为浮点变整型运算指令周期缩短的原因，在很多专门为神经网络部署设计的芯片上，往往会存在专门为整型运算设计的加速单元。此外，有些硬件是不存在浮点运算单元的，这个时候可以使用量化模型进行部署。
以上从指令周期缩短的角度分析了一下量化提速的原因，量化提速是一个系统工程，需考虑的因素较多。
