【量化】PTQ4ViT: Post-Training Quantization Framework for Vision Transformers

这是北京大学和后摩智能联合发表的一篇论文，已经被2022年的cvpr收录。

github地址：https://github.com/hahnyuan/PTQ4ViT

文章创新点：

作者的idea来源于对ViT中激活值的分布的观察，以及对不同评估量化误差的指标对比的观察。

1. softmax的激活值具有很不均匀的分布，大部分的值都接近于0 。其它大的值虽然数量很小，但是它们意味着两个patch之间具有很高的attention，在ViT中这些值是不能被忽略。而为了保留这些值，如果取大的scaling factor，其它大多数的小值会被压缩到0，会产生很大的量化误差。也就是说，小scaling factor和大的scaling factor都不能解决这个问题。
2. GELU的激活值是具有很不对称的分布，正值的range很大，负值的range很小，所以很难被均匀地量化。但是，如果采用非均匀量化，大部分的硬件设备都无法有效支持。

所以，作者提出了一种同时采用两个scaling factor的方法：