Quantizing deep convolutional networks for efficient inference: A whitepaper

本文是对当前量化方法的一个总结。

量化设计

统一仿射量化

它将浮点数量化到(0,Nlevel-1)，这里Nlevel是2的bit次方。

对cnn来说，卷积操作变为：

这种方法在推断时能够取得更快的速度，因为它的激活值求和以及权重值都是常量。

统一对称量化

随机量化

随机量化是将量化器视作一个round操作内的加性噪音，因为很多硬件并不支持随机采样，因此它往往并不在推断时使用。

Note that in expectation,the stochastic quantizer reduces to a pass-through of the floating point weights, with saturation for values outside the range. (没看懂)因此用它来计算梯度效果很好。

反向传播

作者接下来介绍了quantization-aware训练。大意就是在反向传播时，使用浮点型更新梯度，也就是STE