模型量化：轻量化你的深度学习模型

诸神缄默不语-个人CSDN博文目录

在深度学习领域，模型的性能通常与其大小成正比。然而，大型模型在部署时面临资源限制和高效率要求的挑战，尤其是在移动设备和边缘计算设备上。这时，模型量化就显得尤为重要。

模型量化是指将神经网络的浮点算法转换为定点。

模型量化是一种减少深度学习模型大小的技术，通过减少模型中参数的位数来降低模型的存储需求和计算复杂性。这通常涉及将浮点数参数转换为低位数的整数，例如从32位浮点数到8位整数。

模型量化的作用：

静态量化在模型训练后进行，不涉及重新训练。它通常用于不需要细粒度调优的场景。

动态量化在模型推理时进行，对权重进行量化，但保留中间激活的浮点数表示。它适用于那些需要保持较高推理精度的应用。

PyTorch动态量化入门教程可参考我撰写的另一篇博文：Dynamic Quantization PyTorch官方教程学习笔记

量化感知训练在训练过程中将量化考虑在内，通过模拟低精度的效果来训练模型。这种方法可以最大限度地减少量化对模型精度的影响。

datafree：不使用校准集，传统方法直接将浮点数转为量化数，准换损失通常较大 ，但是高通最新的论文 DFQ 不使用校准集也得到了很高的精度。

calibration：基于校准及方案，通过输入少量真是数据进行数理统计分析，很多芯片厂商都提供这样的功能，如 tensorRT、高通、海思、地平线、寒武纪

finetune：基于训练finetune的方案，将量化误差在训练时仿真建模，调整权重使其更适合量化 优点是能到来精度提升，缺点要修改模型训练代码开发周期长

量化是否一定能加速计算？回答是否定的，许多量化算法都无法带来实质性加速。

已知提速概率较大的量化方法主要有如下三类

二值化，其可以用简单的位运算来同时计算大量的数。对比从 nvdia gpu 到 x86 平台，1bit 计算分别有 5 到128倍的理论性能提升。且其只会引入一个额外的量化操作，该操作可以享受到 SIMD（单指令多数据流）的加速收益。

线性量化(最常见)，又可细分为非对称，对称和 ristretto 几种。在 nvdia gpu，x86、arm 和 部分 AI 芯片平台上，均支持 8bit 的计算，效率提升从 1 倍到 16 倍不等，其中 tensor core 甚至支持 4bit计算，这也是非常有潜力的方向。线性量化引入的额外量化/反量化计算都是标准的向量操作，因此也可以使用 SIMD 进行加速，带来的额外计算耗时不大。 与非线性量化不同，线性量化采用均匀分布的聚类中心，原始浮点数据和量化后的定点数据存在一个简单的线性变换关系，因为卷积、全连接等网络层本身只是简单的线性计算，因此线性量化中可以直接用量化后的数据进行直接计算。

对数量化，一种比较特殊的量化方法。两个同底的幂指数进行相乘，那么等价于其指数相加，降低了计算强度。同时加法也被转变为索引计算。目前 nvdia gpu，x86、arm 三大平台上没有实现对数量化的加速库，但是目前已知海思 351X 系列芯片上使用了对数量化。

量化可能会导致模型精度的降低。为了缓解这一问题，可以采用更精细的量化策略，如混合精度训练，或者使用量化感知训练来优化模型。

低精度模型表示模型权重数值格式为 FP16（半精度浮点）或者 INT8（8位的定点整数），但是目前低精度往往就指代 INT8。 常规精度模型则一般表示模型权重数值格式为 FP32（32位浮点，单精度）。 混合精度（Mixed precision）则在模型中同时使用 FP32 和 FP16 的权重数值格式。 FP16 减少了一半的内存大小，但有些参数或操作符必须采用 FP32 格式才能保持准确度。

混合精度训练是一种同时使用单精度（32位）和半精度（16位）浮点数进行训练的技术。这种方法可以在减少计算资源需求的同时，保持或仅轻微影响模型的精度。在混合精度训练中，模型的关键部分，如权重更新，使用更高精度的计算来保证训练稳定性和模型质量，而其他部分则使用低精度计算以提高效率。

参考资料： 还没读：大模型基础（20）

并非所有的硬件都支持低精度的计算。因此，在进行量化时需要考虑目标硬件的兼容性。一些专用硬件和加速器被设计来支持低精度运算，从而加速量化模型的推理。

模型量化在许多领域都有应用，例如：

近年来，随着人工智能的迅速发展，模型量化领域也在不断进步。一些最新的研究集中在自动量化技术上，这些技术可以智能地选择最佳的量化策略。此外，一些研究致力于开发新的量化算法，以进一步减少精度损失和提高运行效率。

(2023 微软) FP8-LM: Training FP8 Large Language Models：FP8混合精度训练

在这篇文章中，我们简要介绍了模型量化的基本概念、主要类型、面临的挑战、应用场景和最新进展。这一领域的迅速发展正推动着深度学习模型在更广泛场景的应用，同时也为模型优化提供了新的方向。希望这篇文章能帮助你更好地理解模型量化，并在你的项目中找到合适的应用。

还没读懂：

已经将内容融入本文：