海思开发：relu、relu6 在量化前后的精度变化及原因思考

一、前言

以前部署 HopeNet 的时候，发现了relu6与relu的差异。具体就是 relu 模型量化后精度下降 14%，relu6 模型量化（指量化前直接替换成relu，再做量化）后精度下降 2.5%。这两个模型除了 backbone、激活函数不一样，其他都一样。所以 relu6 可以减少量化精度损失？因为上面两个模型backbone不一样，所以考虑再进行一个条件更严格的对比实验。

二、实验

特意选了 MobileNet v2，它的激活函数刚好是 relu6，测试数据集类别数是 2，数据集大小为正负类各 500个，精度就是分类的准确率，然后还给每个类别计算了类别精度。我们训练两款模型 MobileNet v2-relu 和 MobileNet v2-relu6 ，它们除了激活函数不同，其余都一样。pytorch 下面训练、测试，因为我的 caffe 不支持 relu6。rgb图片转为bgr格式的图片demo在这里。
1. pytoch 推理结果如下：

模型	MobileNet v2-relu
总精度	97.9%
0 类别精度	97.2%
1 类别精度	98.6%

模型	MobileNet v2-relu6
总精度	97.6%
0 类别精度	97.6%
1 类别精度	97.6%

2. 海思 nnie 推理结果

模型	MobileNet v2-relu
总精度	97.7%
0 类别精度	97.0%
1 类别精度	98.4%

模型	MobileNet v2-relu6
总精度	97.8%
0 类别精度	97.6%
1 类别精度	98.0%

注：海思不支持 relu6(勘正一下，后来我在海思上部署relu6成功，相关博客)，我是 pytorch 转 caffe 时，直接用 relu 替换的。
由上面数据可见，虽然 MobileNet v2-relu 精度损失不大，但是 relu6 对减少量化精度损失还是有着积极作用。

三、 后言

感觉差距不是很明显，说服力不是很强，考虑以后再做些实验，提高说服力。

四、原因思考

自从发现这个问题而来，就一直在思考背后的原因，虽然该结论还没有得到多个案例的支持，但还是想简单探讨一下，各位老哥看看就好，说的不好可以指出来，我进行修改，谢谢！
一开始思考很久，一直不得门路，后来看量化相关的技术博客时，提到关于权值量化（量化相关博客，这个博客更方便新手学习），想到会不会是：relu 导致权值范围相差过大，而使用 relu6 则缓解了这一现象。
所以下面有两个问题需要讨论：
1. 为什么 relu6 能缓解权值相差过大的情况？
2. 为什么权值相差过大会使得量化后精度下降？

先说第一个问题，请出链式法则，


上图是 简单的 tensor 流程图，下图是 relu6 的图。
∂ l o s s ∂ w = ∂ l o s s ∂ y ∗ ∂ y ∂ B ∗ ∂ B ∂ w = ∂ l o s s ∂ y ∗ ∂ y ∂ B ∗ A \frac{ {\partial loss}}{ {\partial w}} = \frac{ {\partial loss}}{ {\partial y}} * \frac{ {\partial y}}{