【论文阅读笔记】Incremental Network Quantizatio：Towards Lossless CNNs with Low-Precision Weights

全文概括

  先前的量化方法（同时量化所有的weight）都太粗暴了，这导致了量化损失严重，作者提出一种分组量化-分组re-train的方法来拟补量化带来的损失。

  INQ方法步骤：

1. 将为量化的参数分成 待量化/待re-train组(用超参数定义每次量化的百分比，百分比会自动在参数中找到一个临界点，绝对值大于这个临界点的分为待量化组 ，因为作者认为大值比小值重要，让小的re-train。这个观点，在选择fixed-point的IL和FL划分时，也是这样认为的。)
2. 量化待量化组
3. retrain 待retrain组

  INQ目前只研究了量化权重的模式（量化activation待研究中，目前在VGG16成功展示）

  其结果表示：量化效果好（包括二元/三元量化），accuracy不降反升（只降一点点 ）；其权重量化限制为 2ⁿ，让乘法操作可变作移位操作(注意，本论文的该方法，只是将权重进行量化，对activation并未操作，仍是floating point。所以这种移位操作，只是想象的，并未实际运用)。

  这种方法使量化不会产生大的损失，但加剧了实验者对超参调整经验的要求，因为每次量化部分参数都要调整到最好。

---

前言

  INQ旨在于将任意以训练好的高精度CNN模型量化成参数限制为2ⁿ或0的低精度版本。INQ方法可以分为三个相互依赖的部分：weight partition，group-wise quantization，re-training.
  weight parition将CNN模型的每层划分成不想交的两组，(group-wise)一组进行量化（通过可变长度编码方法），(re-train)另一组进行re-train来补偿量化损失。

  具体来说，在5-bit量化中 （可变长度编码：1位用于表示零值，其余4位最多表示16位不同的值，用于表示2的幂）【个人认为，这个零位专门标记出来，是为了方便判断 0和2ⁿ，即2ⁿ带来的移位操作计算优势】

  结果展示：

1. 对于AlexNet，VGG-16，GoogleNeet 和 ResNets，用5-bit量化，可以提高32-bit全精度的精确度；
2. INQ让每次re-train更容易收敛，每次预训练不到8个epochs就能得到5-bit的无损模型；
3. 以ResNet-18为例，用4-bit，3-bit 和 2-bit的三元权重都能改善或者非常接近32-bit 浮点数的基准线

---

Incremental Network Quantization

Weight Quantization with Variable-Lnegth Encoding

  量化后的权重$\widehat{W_l}$表示第$l$层的权重，其取值限制为Pl={±2n1，...，±2n2，0}P_l = \{\pm2^{n_1}，...，\pm2^{n_2}，0\}Pl​={±2n1​，...，±2n2​，0}。其中，$P_l$表示第$l$层的参数，$n_1，n_2$是两个整数，并定义$n_2<n_1$。
  所以，量化的关键是如何如何找到$n_1$和$n_2$（因为bit-width是我们定义的超参数，且有$(n_1-n_2+1)\ast 2=2^{b-1}$，其中，乘2是表示正负号，b-1是因为有一个bit去标记零值。所以，其实我们只要找到$n_1$或者$n_2$就行，另一个可以计算得出）。
  我们从以下公式得到$n_1$：$$\begin{gathered} n_1=floor(lo{g}_2\frac{4s}{3}) \\ s=max(abs(W_l)) \end{gathered}$$
我们的$b-1$个bit得到的数字，是作为幂的指数部分存在的。

  然后就近选择量化的结果。

Incremental Quantization Strategy

  不断增大量化的比例，量化比例中未量化的参数(从大到小量化)，re-train不在比例中的参数。
  在量化时，用一个mask数组 T_l来标记哪些是还没被量化的，即re-train时需要更新的部分(待量化部分，$T_l(i,j)=0$；待re-trained部分，$T_l(i,j)=1$)。

目标函数： $$\begin{gathered} mi{n}_{W_l}E(W_l)=L(W_l)+\lambda R(W_l) \\ s.t.W_l(i,j)\in P_l,if{T}_l(i,j)=0，1\le l\le L \end{gathered}$$

参数更新：$$W_l(i,j)\leftarrow W_l(i,j)-\gamma \frac{\partial E}{\partial (W_l(i,j))}{T}_l(i,j)$$

---

结果展示

  上表中，带ref的是32-bit 全精度推测，而下面的是 5-bit的量化网络。可以看出，在ImageNet上，5-bit的量化网络比32-bit全精度网络达到了更好的结果。

【以下比较的结果，都是在ResNet，基于ImageNet上进行的】

  上表权重划分的两种方式的结果。可以看出，随机划分效果有稍微的下降。可以看出，划分方式是会影响结果的，所以如何选择更好的划分方式，也可以是一个方向。比如用聚类算法，划分。

  上表是INQ探索Low-bit表示的结果。