1. 是否需要全部float32
从硬件实现的角度来看,8位乘法器与32位相比功耗位1/18,面积位1/27,速度则为4倍,能更多的使用低位宽的数据类型当然更好。现在很多科学计算、深度学习中常常采用的是float32类型,但是深度学习是否全部都需要是float 32类型?
答案是否定的,并不需要。
有人可能会担心,说如果改用更低位宽的数据类型是否会导致精度降低,理论上来说是会降低精度,但是这个精度有时候可能在我们可以接受的范围内。如下图所示是一个识别手写数字的二维可视化图,可以看的不同类别之间存在一定的间距,这些“大间距”也就意味着可以接受一定的非精确计算。
2. 如何设计低位宽
在深度学习计算中,不同的数据对于位宽的需求是不同的,以前都用32位浮点,但是每一层数据到底用什么样的位宽才合适?
以AlexNet网络为例,如下图所示。比如AlexNet_Conv1,数据分布比较平缓(如红色线条),用8位定点即可,但是对于分布较为陡峭的AlexNet_fc0需要使用32位。: