一些量化(quantization)技巧
對象：對權重量化，對特征圖量化(神經元輸出)，對梯度量化(訓練過程中)
過程：在inference網絡前傳，在訓練過程(反傳)
一步量化(僅對權重量化)，
兩步量化(對神經元與特征圖量化，第一步先對feature map進行量化，第二步再對權重量化)。

32位浮點和16位浮點存儲的時候，
第一位是符號位，中間是指數位，后面是尾數。
英特爾在NIPS2017上，提出了把前面的指數項共享的方法。
這樣可以把浮點運算，轉化為尾數的整數定點運算，加速網絡訓練。
分布式訓練梯度量化：
對權重數值進行聚類，量化的思想非常簡單。
CNN參數中數值分布在參數空間，
通過一定的劃分方法，總是可以劃分稱為k個類別。
通過儲存這k個類別的中心值，或者映射值，壓縮網絡的儲存。
量化可以分為
Low-Bit Quantization(低比特量化)、
Quantization for General Training Acceleration(總體訓練加速量化)和
Gradient Quantization for Distributed Training(分布式訓練梯度量化)。
由于在量化、特別是低比特量化實現過程中，由于量化函數的不連續性，在計算梯度的時候，會產生一定的困難。
對此，阿里巴巴把低比特量化，轉化成ADMM可優化的目標函數，從而由ADMM來優化。
另一個角度思考，使用哈希把二值權重量化，再通過哈希求解。
用聚類中心數值，代替原權重數值，配合Huffman編碼，具體可包括標量量化或乘積量化。
如果只考慮權重自身，容易造成量化誤差很低，但分類誤差很高的情況。
Quantized CNN優化目標是重構誤差最小化。
可以利用哈希進行編碼，映射到同一個哈希桶中的權重，共享同一個參數值。

聚類例子：
例如下面這個矩陣。
1.2 1.3 6.1
0.9 0.7 6.9
-1.0 -0.9 1.0
設定類別數k=3，通過kmeans聚類。得到：
A類中心： 1.0 , 映射下標： 1
B類中心： 6.5 , 映射下標： 2
C類中心： -0.95 , 映射下標： 3

儲存矩陣可以變換為(距離哪個中心近，就用中心的下標替換)：
1  1  2
1  1  2
3  3  1

提出需要對量化后的值進行重訓練，挽回一點丟失的識別率。
基本上所有壓縮方法都有損，重訓練還是比較必要的。
深度神經網絡壓縮 Deep Compression
為了進一步壓縮網絡，考慮讓若干個權值共享同一個權值，需要存儲的數據量也大大減少。
采用kmeans算法來將權值進行聚類，在每一個類中，所有的權值共享該類的聚類質心，
最終存儲一個碼書和索引表。

1.對權值聚類
采用kmeans聚類算法，通過優化所有類內元素，到聚類中心的差距（within-cluster sum of squares ），確定最終的聚類結果。
2. 聚類中心初始化
常用的初始化，包括3種：
a) 隨機初始化。
即從原始數據，隨機產生k個觀察值，作為聚類中心。
b) 密度分布初始化。
現將累計概率密度CDF的y值，分布線性劃分，
根據每個劃分點的y值，找到與CDF曲線的交點，再找到該交點對應的x軸坐標，作為初始聚類中心。
c) 線性初始化。
將原始數據的最小值到最大值之間的線性劃分，作為初始聚類中心。
三種初始化方式的示意圖，如下所示：

由于大權值比小權值更重要（參加HanSong15年論文），線性初始化方式，能更好地保留大權值中心，文中采用這一方式，后面的實驗結果，驗證了這個結論。
3. 前向反饋和后項傳播
前向時需要將每個權值，用對應的聚類中心代替，后向計算每個類內的權值梯度，
將梯度和反傳，用來更新聚類中心。
如圖：

共享權值后，就可以用一個碼書和對應的index來表征。
假設原始權值用32bit浮點型表示，量化區間為256，即8bit，共有n個權值，量化后需要存儲n個8bit索引和256個聚類中心值，可以計算出壓縮率compression ratio: r = 32*n / (8*n + 256*32 )≈4 如果采用8bit編碼，至少能達到4倍壓縮率。

參考鏈接：
https://github.com/Ewenwan/MVision/tree/master/CNN/Deep_Compression/quantization#1-%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%8E%8B%E7%BC%A9-deep-compression

總結

以上是生活随笔為你收集整理的一些量化(quantization)技巧的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。