sigmoid的良性替代方案
前言
项目落地的时候,一定需要算法的统筹,实现算法整套流程进行验证的同时,还需要考虑资源与算子的实现问题,总之算法真的又当爹又当妈,修改算法和找到替换方法永远是个困难的事。
之前遇到一个网络量化问题,很多算子使用amct量化方式不适合,于是自己搞了个量化方式,具体量化方式不太能说,但是解决里边问题时候遇到一个算法很有意思——平方根快速倒数算法,虽然没用上。
一、遇到的问题
是这样,参数量化8位需要输入输出参数以及权重参数在[-128,127],但是每层的CONV+BN+RELU 后的输出参数相差会很大,量化到范围内精度会下降很多,因此考虑用sigmoid代替relu或者leakyrelu等激活函数,准确率下降了1%,还行能跑就行,还要什么自行车。但是坑爹的是,指数计算板端根本做不了,太消耗时间了,事情开始变得有趣了起来。
二、解决方案
最后考虑替换的方式:
用其他曲线相近的函数代替sigmoid带入训练过程中,目前选取了两组函数,暂定名字如下:
绘制图像如下:
可以看出, sigmoidRplace2加贴合sigmoid函数,带入训练变化会更小一点,另外一个曲线明显差很多,对于该趋近于0的值,并没有很好的趋近性,好好好,又说更贴合的实现起来比较复杂是吧,这样玩,又想损失我的精度,妥协,只能妥协,于是最终选择了sigmoidReplace1替代 ,精度下降就下降一点吧,资源不够嘛,把实现方式留在下边。
class sigmoid_replace(nn.Module):
def __init__(self):
super(sigmoid_replace, self).__init__()
def forward(self, x, scaler):
y = x/(1.0/scaler+abs(x))
return 0.5+0.5*y
邀请
欢迎关注公众号及知乎栏目
公众号
知乎地址:
https://zhuanlan.zhihu.com/p/667466132