大模型的量化是一种优化技术,其过程包括将深度学习模型中的权重和激活值从高精度浮点数(如32位)转换为低精度表示(如8位整数,INT8),这个过程被称为“量化”。它旨在减少模型的大小和计算复杂性,同时尽可能减少精度损失的优化手段。
具体而言,模型量化是一种压缩网络参数的方式,它将神经网络的参数(weight)、特征图(activation)等原本用浮点表示的量值,换成用定点(整型)表示,在计算过程中,再将定点数据反量化回浮点数据,得到结果,如图所示。
INT4量化
INT4量化是一种激进的量化方式,将模型的权重和激活值量化为4位整数。由于表示范围更小,精度也较低,INT4量化通常会导致较大的精度损失。然而,与INT8量化相比,INT4量化