【论文阅读笔记】Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference

该方法的简称为：IAO

  该论文提出了一种允许网络在推测时只使用整数计算的方法，即 float32 --> int8.
  该文在MobileNets等已经压缩过的网络进行量化，测试数据集为ImageNet分类数据集。不同于其他的方法，在高度冗余的模型，如Alexnet等网络上进行的，且提出的硬件加速方法需要专门的特殊硬件（即他们并没有在真正的硬件上加速，只是提出一种理论），该方法在普通的CPU上即可运行。

---

Introduction

  以前的方法在两方面减少modle size和推测时间：

1. 网络结构上，如MobileNet、SqueezeNet、ShuffleNet和DenseNet
2. 量化权重和**函数，从32 bit的floating point到更低的 bit-depth表示

  但是之前的方法有两个方面的缺陷：

1. 之前的方法没有在一个合理的基准结构上评估，他们大部分的基准结构普遍在AlexNet，VGGnet，GoogleNet上，这些网络在设计时，为了达到高准确率，有很大的冗余，所以在压缩这些网络时有不小的效果
2. **很多量化放大没有真正在硬件上进行有效性证明。**① 有的方法只在weight上量化，仅仅在乎在设备的存储，而不在乎计算效率；② 有的方法，比如二元/三元权重网络和bit-shift网络，他们的方法把权重限制为0或者2ⁿ，他们想把乘法计算用bit-shift实现。但是，在现有的硬件上，bit-shift实现并不比<乘法-加法>好。而且，只有当bit较大时，乘法才显得“昂贵”，所以，我们需要将乘法的输入—weight和activation都给量化成较小的bit-width。

---

Quantized Inference

Quantized scheme

  作者的量化方案为：在测试时只使用int计算，在训练时使用浮点计算。
  量化方案的基本要求就是：允许只用量化值的整数运算来完成所有的算术运算。
  量化方案是一个仿射映射，在整数$q$q和实值$r$r：$r = S(q-Z) \tag{1}$r=S(q−Z)(1)  其中$S和Z$S和Z是常数（$S和Z$S和Z是量化参数）【对每一层array用一对S/Z参数，即每一个activation、每一个weight的Tensor都有一个对应S/Z】。

  对于8-bit的量化，q就是8-bit的整数。对于B-bit的量化，q就是B-bit的实数。
  而对于bias，就固定量化为32-bit的实数。

  常数$S$S是step_size，代表一个“scale”，是一个实数。常数$Z$Z是偏移shift，代表“zero-point”，就是为了让实数$r$r的$0$0和量化数$q$q的$0$0对应，和q是一个类型的数。$S=\frac{array_{max}-array_{min}}{2^{bit\_width}-1}\tag{9}$S=2bit_width−1arraymax​−arraymin​​(9)设定：$round(x) = \begin{cases}0,&amp;x&lt;0 \\ \lfloor x \rceil， &amp;0&lt;\lfloor x \rceil&lt;2^{n}-1 \\ 2^{n}-1, &amp;x&gt;2^{n}-1\end{cases}$round(x)=⎩⎪⎨⎪⎧​0,⌊x⌉，2n−1,​x<00<⌊x⌉<2n−1x>2n−1​
则$Z=round(-\frac{array_{min}}{S})\tag{10}$Z=round(−Sarraymin​​)(10)

从公式$(1)$(1)可以推出：$q = round(Z + \frac{r}{S}) \tag{11}$q=round(Z+Sr​)(11)

template<typename QType>                    // e.q.  QType=uint8
struch QuantizedBuffer{
	vector<QType> q;                        // the quantized values
	float S;                                // the scale
	QType Z;                                // the zero-point
}

量化卷积计算过程

1. 输入 量化的特征图 lhs_quantized_val, uint8类型, 偏移量 lhs_zero_point, int32类型;
2. 输入 量化的卷积核 rhs_quantized_val, uint8类型, 偏移量 rhs_zero_point, int32类型;
3. 转换 unit8 到 int32类型;
4. 每一块卷积求和(int32乘法求和有溢出风险，可换成固定点小数树乘法);
   int32_accumulator += (lhs_quantized_val(i, j) - lhs_zero_point) * (rhs_quantized_val(j, k) - rhs_zero_point);
5. 输入 量化的乘子 quantized_multiplier, int32类型 和 右移次数记录 right_shift, int类型;
6. 计算乘法，得到int32类型的结果 (int32乘法有溢出风险，可换成固定点小数树乘法);
   quantized_multiplier * int32_accumulator
   
7. 再左移动 right_shift 位还原，得到 int32的结果;
8. 最后再加上 结果的偏移量 result_zero_point;
   (7和8的顺序和 官方说的先后顺序颠倒);
9. 将int32类型结果 限幅到[0, 255], 再强制转换到 uint8类型;
10. 之后再 反量化到浮点数，更新统计输出值分布信息 max, min;
11. 再量化回 uint8;
11. 之后 经过 量化**层;
12. 最后 反量化到 浮点数，本层网络输出;

13. 进入下一层
    循环执行 1~12 步骤

  若有连续的层需要量化操作时，就没必要进行反量化了。。比如上面步骤的 $10\rightarrow11$10→11，实际上是可以省略的【但相应的。。可能会带来乘法加法累积造成的溢出】

Integer-arithmetic-only matrix multiplication

  由公式$(1)$(1)可以知道，每个array中的实数 $r_i$ri​ 都能表示带有一对参数$S和Z$S和Z的实数$q_i$qi​。则对实数矩阵$R_1和R2$R1​和R2的乘法，其结果矩阵的每个实数可以表示为：$S_3(q_3^{(i,k)}-Z_3)=\sum_{j=1}^{N}S_1(q_1^{(i,j)}-Z_1)S_2(q_2^{(j,k)}-Z_2)\tag{2}$S3​(q3(i,k)​−Z3​)=j=1∑N​S1​(q1(i,j)​−Z1​)S2​(q2(j,k)​−Z2​)(2)$q_3^{(i,k)}=Z_3+M\sum_{j=1}^{N}(q_1^{(i,j)}-Z_1)(q_2^{(j,k)}-Z_2)\tag{3}$q3(i,k)​=Z3​+Mj=1∑N​(q1(i,j)​−Z1​)(q2(j,k)​−Z2​)(3)其中，$M=\frac{S_1S_2}{S_3}\tag{4}$M=S3​S1​S2​​(4)$M$M是公式$(3)$(3)中唯一不是实数的值。经验发现，$M$M总是在$(0,1)$(0,1)中，所以将$M$M表达为：$M=2^{-n}M_0\tag{5}$M=2−nM0​(5)  其中，$n$n为非负整数，$M_0$M0​是一个整数。这样，实数运算就变成了整数运算。同时，$2^{-n}可以$2−n可以用移位运算。因为图片输入的每一个数字都在$[0,255]$[0,255]，而映射的区域也是$[0, 2^8-1]=[0,255]$[0,28−1]=[0,255]

注意，在预测时，权重矩阵的量化step_size，可以通过已有参数统计出来，而activation的量化step_size是大量训练数据的指数移动均值统计出来的。所以，才会有$q_3$q3​没出来，但应用了$S_3$S3​的公式出现。【下面会有S的计算公式，是通过映射前的range的最小值$a$a和最大值$b$b出来的】

Implementation of a typical fused layer

  定义bias-vector的量化：$S_{bias}=S_1S_2，Z_{bias}=0$Sbias​=S1​S2​，Zbias​=0其中，$S_{bias}$Sbias​用int32表示。
  矩阵乘法，weights和activations的矩阵乘法后的加法：$int32 += uint8 *uint8$int32+=uint8∗uint8
  使用32位加法器得结构后，还有3件事情需要做：① 将这个output activations的int32 scale down到int8的scale指标；② 将 int32 的output activations 仿射到 uint8；③ 对这个uint8的结果应用**函数。
  这个乘法的down-scaling就是公式$(3)的$(3)的$M$M.

---

Training with simulated quantization

Quantized scheme

  作者分析原有的量化方法：用floating point训练，然后量化训练的weight.(有时候会进行量化后的微调)，发现这种方法对于大模型来说结果不错，对小模型来说精确度下降不小。作者对这种量化后的微调方法分析了存在的两点问题：

1. 同一layers不同channels权重分布尺度差很多（100x）
2. 量化会带来一些“参数丢失”，即量化了就丢失了精度（废话。。）

  作者提出了一种在前向传播阶段模拟量化的方法，反向传播和平常一样，所有的权重和biases都用floating point保存以微调小变化。前向传播的浮点数计算方法，模拟量化的方式，就如公式$(3)$(3)所示。

  对每一层，数值都用参数（量化层次，和clamping range）量化：$clamp(r;a,b) := min(max(x,a),b)\tag{6}$clamp(r;a,b):=min(max(x,a),b)(6)$s(a,b,n):=\frac{b-a}{n-1} \tag{7}$s(a,b,n):=n−1b−a​(7)$q(r;a,b,n):=\lfloor\frac{clamp(r;a,b)-a}{s(a,b,n)}\rceil s(a,b,n)+a\tag{8}$q(r;a,b,n):=⌊s(a,b,n)clamp(r;a,b)−a​⌉s(a,b,n)+a(8)其中，$r$r是待量化的实数；$[a,b]$[a,b]是量化的范围；$n$n是量化的等级数，对所有layer都是固定的，比如8-bit量化，$n=2^8=256$n=28=256；$\lfloor * \rceil$⌊∗⌉就是取整到最近的整数。
  公式$(6)$(6)表示x所处的范围，即映射前的range，之所以有这个看起来没用的公式，是因为activation的range是移动均值平均的出来的；公式$(7)$(7)表示range映射到n-1段，每段的大小；公式$(8)$(8)表示一个实数r就近到能完整量化的实数，且$\lfloor\frac{clamp(r;a,b)-a}{s(a,b,n)}\rceil$⌊s(a,b,n)clamp(r;a,b)−a​⌉是能我们的B-bit表示的量化结果；

  bias没有被量化，因为在推测阶段，它被32-bit表示。【这句没懂，因为前面不是有量化bias的参数$S_{bias}$Sbias​吗？】

Learning quantization ranges
  weight 和 activation的量化range不同：

• 对于weight：$a:=min(w)$a:=min(w)，$b:=max(w)$b:=max(w)
• 对于activation：在训练时，用指数移动平均来收集activation的range [a,b]，平滑参数接近1.【若范围快速变化时，指数移动平均会延迟反映出来，所以在训练初期（5万步到200万步）时，不量化activation是有用的】