量化感知训练实践：实现精度无损的模型压缩和推理加速

1. 概述

对深度学习模型进行低比特量化，可以有效地降低模型部署时在存储、计算、通信上的开销，是一种常见的模型压缩和推理优化技术。然而，模型量化在实际应用中仍然存在不少挑战，最为常见的问题就是模型精度下降（如无特殊说明，本文中“模型精度”是指准确率等模型应用于具体任务的效果指标）。以计算机视觉领域为例，在目标检测、图像分割等复杂任务上，量化带来的精度下降更为明显。

通过在模型训练阶段引入量化相关约束，即量化感知训练（Quantization-aware training，QAT），能够更好地解决模型量化的精度问题。本文以近期流行的YOLOX[8]目标检测模型为例，介绍量化感知训练的原理流程，讨论如何实现精度无损的实践经验，并展示了量化后的模型能够做到精度不低于原始浮点模型，模型压缩4X、推理加速最高2.3X的优化效果。

2. 量化原理

在数字信号处理领域，量化是指将信号的连续取值（或者大量可能的离散取值）近似为有限多个（或较少的）离散值的过程。具体到深度学习领域，模型量化是指将浮点激活值或权重（通常以32比特浮点数表示）近似为低比特的整数（16比特或8比特），进而在低比特的表示下完成计算的过程。通常而言，模型量化可以压缩模型参数，进而降低模型存储开销；并且通过降低访存和有效利用低比特计算指令等，能够取得推理速度的提升，这对于在资源受限设备上部署模型尤为重要。

进一步的，在将输入数据和权重进行量化后，我们就能够将神经网络的常见操作转换为量化操作。以卷积操作为例，其量化版本典型的计算流程如图1所示：

图1 典型的量化卷积算子计算流程图

1. 权重与输入先量化成8bit，进行卷积操作，用32bit来存储中间结果；
2. bias量化为32bit，与进行相加为；
3. 利用、以及的量化scale将32bit的转化为8bit的；
4. 如果该层的下一层也是量化OP，则可直接输出给下一层；如果是非量化OP，则将反量化为浮点值后，再输出给下一层。

从上述量化计算的原理能够容易看出，将浮点数转化为低比特整数进行计算会不可避免地引入误差，神经网络模型中每层量化计算的误差会累积为模型整体精度的误差。常见的训练后量化（Post Training Quantization，PTQ）方案中，通过统计在典型输入数据情况下，待量化变量的数值分布，来选择合适的量化参数（scale，zero point等），将因量化而引入的信息损失降低到最小。

但是PTQ方案往往还是无法实现精度无损的模型量化，为了进一步降低量化带来的精度下降，我们可以采用量化感知训练的方案，在训练的计算图中引入伪量化的操作，通过微调训练(finetuning)让模型权重“适应”量化引入的误差，以实现更好的、甚至无损的量化模型精度。

3. YOLOX量化训练

我们以YOLOX-s目标检测模型(GitHub repo[1])为例，使用公开的预训练模型参数，在COCO2017数据集上进行量化训练实验。量化训练算法选择LSQ[2,3]，该系列算法利用梯度来更新量化的scale与zero_point，在不需要精细调节参数的情况下能够获得较好的性能。为了通过量化训练获得更好的量化模型精度，我们需要重点关注如下几点设置：

3.1 与部署后端相匹配的量化方式

不同的部署后端，可能采用不用的量化计算实现方式，需要匹配训练和部署阶段的量化方式以避免引入额外误差。以PyTorch[7]默认的CPU后端为例，基本的量化方式为