量化是指在比floating point precision更低bitwidths进行计算和存储tensors。当使用INT8的量化模型时,相比于FP32,模型的大小会减小4倍,占用的带宽减小4倍,硬件上的运行速度会快2~4倍。
训练后量化Post-training quantization:
- 混合量化--仅量化权重
- 全整型量化--权重和激活值都进行量化
- 半精度float16量化--仅量化权重
量化感知训练(Quantization-aware training)
整个QAT的过程还是以floating point形式计算的,是加入fake_quant模块进行clamping和rounding来模拟INT8的效果。在训练后,把QAT训练好的模型的权重和激活层进行quantize,并把激活层融合到之前层里,转化到lower precision。
首先,在构建模型时floating point model时需要插入fake_quant modules,在开始时插入QuantStub,把floating point的tensors转化到quantized,在结束时插入DeQuantStub把quantized tensors转化为floating point。
随后,需要设置qconfig,决定了插入的observers的类型,比如是对称量化还是非对称量化、MinMax还是L2Norm校准。接下来为QAT进行prepare_qat,在该步骤中插入的observers和fake_quants,以在calibration的过程中观察权重和激活tensors。
最后,完成QAT训练后,进行模型转换,在convert的