一、量化算法
SNPE支持量化的模型:
• FXP-CPU runtime跑的就是int8量化的模型,但前提要对DLC格式的模型使用量化脚本来量化;
• DSP和AIP runtime也可以跑量化模型,虽然模型int8量化不是必须的,但是之后DSP加载模型初始化时,也会对加载的参数量化,但可能DSP自动加载量化会有精度不如用脚本对模型量化的方式。
虽然SNPE对其量化代码没开源,但是文档表示其float转int8定点表示与TensorFlow中的量化方式一样。
基本信息:
• 量化包含了输入值的整个范围,量化后的范围介于0到255,左开右开;
• 量化区间的最小值是0.01;
• 浮点0可以被精确表示(非对称量化,0可以选择是否保留表示)。
算法流程:
1、计算输入数据的浮点范围:得到最大和最小浮点值;
2、计算encoding-min和encoding-max:这俩参数用于第三步的量化;
2.1、encoding-min:将以定点的形式表示,表示input的浮点值的最小值;
2.2、encoding-max:将以定点的形式表示,表示input的浮点值的最大值;
2.3、每一步的浮点值:step_size := (encoding_max - encoding_min) / 255,不过这里先临时用第一步得到的float_max与float_min来表示encoding_max与encoding_min。encoding_max与encoding_min的范围区间不能小于0.01。那么有:encoding_max := max(float_max, float_min+0.01),encoding_min后面再调整;
2.4、0的浮点值必须精确表示,根据输入值分情况:
2.4.1全为正:encoding_min = 0.0,即最小的定点值0来表示浮点0;
2.4.2全为负:encoding_max = 0.0,即最大的定点值255来表示浮点0;
2.4.3有正有负:如输入浮点范围为[-5.1, 5.1]:
1)encoding_min = -5.1,encoding_max = 5.1;
2)encoding区间10.2,step size=10.2 / 255 = 0.04;
3)先不表示0,因为定点step_idx区间是[0, 255],观察在给定最小值+步长情况下,即encoding_min+step_idx*step_size的值与0最近的值的step_idx,与0最近的step_idx必然一正一负,发现刚好步数step_idx为127和128时,分别是-0.02与+0.02与0最近。 因为这俩数(的绝对值)与0一样近,(127与128这两个数)选哪个作为0都可以,那就选小的吧,那么step_idx即第127步就是0点,那么这样一来,最小值和最大值就都被拉低了0.02与0的差即0.02,新的encoding_min=-5.12,encoding_max=5.08;
3、对输入浮点值定点量化:quantized_value = round(255 * (float_val - encoding_min) / (encoding_max - encoding_min)),这样量化的值被夹在[0, 255],考虑两端的情况:
3.1、当遇到最小值-5.10时,quantized_value = round(255 * (-5.10 + 5.12) / (5.08+5.12)) = 1.0;
3.2、当遇到最大值+5.10时,quantized_vlaue = round(255 * (5.10 + 5.12) / (5.08+5.12)) = 256,卧槽溢出了????!!!(这里有点懵,我想可能溢出就会用255或0强制表示吧,所以SNPE文档中有下面一条限制??我猜应该是这样);
3.3、总之量化值都是介于0到255之间;
4、输出:浮点的定点结果,encoding_min和encoding_max。
量化与反量化
给定输入input_values = [-1.8, -1.0, 0, 0.5]。现根据上面算法描述做定点量化,并之后恢复回原浮点。
二、量化与反量化
- encoding_max := 0.5,encoding_min := -1.8;
- range := encoding_max - encoding_min = 2.3,step_size := range / 255 = 0.009019607843137253;
- 有正有负,根据encoding_min + step_idx * step_size,step_idx∈[0, 255]。观察到距离0最近的step_idx分别为:
3.1、step_idx为199时:zero_diff_neg = -1.8+1992.3/255 = -0.005098039215686301;
3.2、step_idx为200时:zero_diff_pos = -1.8+2002.3/255 = 0.003921568627450744;
3.3、从绝对值来说,step_idx为200时距离0更近,即abs(zero_diff_neg) > abs(zero_diff_pos)。那么就选200这个step_idx作为定点与浮点0相对应的点,zero_step_idx := 200; - 修正encoding_max与encoding_min,根据step_idx=200时的zero_offset = 0.003921568627450744,对二者修正,都往右移:
4.1、encoding_min := encoding_min + zero_offset = -1.7960784313725493;
4.2、encoding_max := encoding_max + zero_offset = 0.5039215686274507; 注:这里SNPE文档中,算的zero_offset=-0.003921568627450744,是负数,怀疑是否是SNPE搞错了正负号。 - 量化输入为定点,根据公式quant_value = round( 255 * (float_val - encoding_min) / (encoding_max - encoding_min) ):
1)quant_value(-1.8) = -0.0;
2)quant_value(-1.0) = 88;
3)quant_value(0) = 199;
4)quant_value(0.5) = 255; - 输出量化结果和encoding_min与encoding_max。
反量化
输入:
• 量化的定点值:[0, 88, 199, 255];
• encoding_min = -1.7960784313725493;
• encoding_max = 0.5039215686274507;
• step_size = 0.009019607843137253。
反量化公式,根据量化公式quant_value = round( 255 * (float_value - encoding_min) / (encoding_max - encoding_min) )推导出来float_value。
反量化公式即:float_value = quant_value * (encoding_max - encoding_min) / 255 + encoding_min;
则有反量化结果:
• float_value(0) = -1.7960784313725493;
• float_value(88) = -1.0023529411764711;
• float_value(199) = -0.0011764705882355564;
• float_value(255) = 0.5039215686274505。