均匀放射量化
Uniform affine quantization
量化基本概念
将浮点数运算转化成int,方便硬件计算。
仿射映射量化解决待量化数据和数据量化表示范围不匹配问题
假设输入为:dp = [-4.5,6.3,0,-7.9,9.1],将此数据进行量化
量化步骤
-
处理原始数据dp
找到原数据的最小值 d m i n d_{min} dmin和最大值 d m a x d_{max} dmax -
确定要量化的范围
如数据宽度 n = 2 n=2 n=2,表示量化后的数据用2位表示,数据范围为 q m i n q_{min} qmin到 q m a x q_{max} qmax -
确定量化参数:
s s s 比例因子,浮点数,并指定量化器的步长
z z z 零点,偏移量,确保对实零进行无误差量化,可确保像zero padding或ReLU这样的常规操作不会引起量化错误 -
进行量化操作
其中, r o u n d round round表示取整操作, c l i p clip clip表示截断操作,具体稍后看例子。
X i n t = c l i p ( r o u n d ( X s ) + z ) X_{int}=clip(round(\frac{X}{s})+z) Xint=clip(round(sX)+z) -
反量化操作
X ≈ X ~ = s ( X i n t − z ) X\approx \widetilde{X}=s(X_{int}-z) X≈X =s(Xint−z) -
验证误差,计算量化前后的误差值。
-
量化范围的极限 q m i n = − s z q_{min}=-sz qmin=−sz, q m a x = s ( 2 b − 1 − z ) q_{max}=s(2^b-1-z) qmax=s(2b−1−z)
示例代码
def Calc_sz(dp,n):
# 确定数据的范围,找max和min值
d_min = min(y)
d_max = max(y)
# 量化表示的最大最小值
# q_min = -math.pow(2, n - 1) + 1 #有符号的计算
# q_max = math.pow(2, n - 1)
q_min = 0 #无符号的计算
q_max = math.pow(2, n)-1
# 求比例因子/规模因子
s = (d_max - d_min) / (q_max - q_min)
# 求偏移量,保证零点的量化没有误差,
# 可确保像zero padding或ReLU这样的常规操作不会引起量化错误
z = q_min - (d_min / s)
return s,z
#量化操作
def Quant_FpToInt(dp,n,s,z):
# 量化表示的最大最小值
q_min = -math.pow(2, n - 1) + 1
q_max = math.pow(2, n - 1)
qp = []
for d in dp:
q = d/s+z #量化公式
# 用q_min, q_max进行截断,可能导致截断误差
q = np.round(np.clip(q, q_min, q_max)).astype(int)
qp.append(q)
return qp
#反量化操作
def deQuant_IntToFp(qp,n,s,z):
dp = []
for q in qp:
d = s * (q - z)
dp.append(d)
return dp
运行结果与分析
当n = 8时:
量化前y1=[-4.5, 6.3, 0, -7.9, 9.1]
量化后y2=[51, 213, 118, 0, 255]
反量化y3=[-4.5, 6.3, -0.03333333333333333, -7.8999999999999995, 9.1]
误差err=0.03333333333333333
数据范围:-7.8999999999999995,9.1
个人理解:
- 量化前后,图像的分布基本保持一致,但范围发生变化,注意看纵坐标,以此根据量化的结果继续进行深度学习,能保持准确率。
- 误差,当n变大时,误差值减小。