一些量化(quantization)技巧

一些量化(quantization)技巧

对象：对权重量化，对特征图量化
(
神经元输出
)
，对梯度量化
(
训练过程中
)

过程：在
inference
网络前传，在训练过程
(
反传
)

一步量化
(
仅对权重量化
)
，

两步量化
(
对神经元与特征图量化，第一步先对
feature map
进行量化，第二步再对权重量化
)
。

32
位浮点和
16
位浮点存储的时候，

第一位是符号位，中间是指数位，后面是尾数。

英特尔在
NIPS2017
上，提出了把前面的指数项共享的方法。

这样可以把浮点运算，转化为尾数的整数定点运算，加速网络训练。

分布式训练梯度量化：

对权重数值进行聚类，量化的思想非常简单。

CNN
参数中数值分布在参数空间，

通过一定的划分方法，总是可以划分称为
k
个类别。

通过储存这
k
个类别的中心值，或者映射值，压缩网络的储存。

量化可以分为

Low-Bit Quantization(
低比特量化
)
、

Quantization for General Training Acceleration(
总体训练加速量化
)
和

Gradient Quantization for Distributed Training(
分布式训练梯度量化
)
。

由于在量化、特别是低比特量化实现过程中，由于量化函数的不连续性，在计算梯度的时候，会产生一定的困难。

对此，阿里巴巴把低比特量化，转化成
ADMM
可优化的目标函数，从而由
ADMM
来优化。

另一个角度思考，使用哈希把二值权重量化，再通过哈希求解。

用聚类中心数值，代替原权重数值，配合
Huffman
编码，具体可包括标量量化或乘积量化。

如果只考虑权重自身，容易造成量化误差很低，但分类误差很高的情况。

Quantized CNN
优化目标是重构误差最小化。

可以利用哈希进行编码，映射到同一个哈希桶中的权重，共享同一个参数值。

聚类例子：

    
例如下面这个矩阵。

    1.2  1.3  6.1

    0.9  0.7  6.9

    -1.0 -0.9 1.0

    
设定类别数
k=3
，通过
kmeans
聚类。得到：

    A
类中心：
 1.0 , 
映射下标：
 1

    B
类中心：
 6.5 , 
映射下标：
 2

    C
类中心：
 -0.95 , 
映射下标：
 3

    
储存矩阵可以变换为
(
距离哪个中心近，就用中心的下标替换
)
：

    1  1  2

    1  1  2

    3  3  1

提出需要对量化后的值进行重训练，挽回一点丢失的识别率。
 

基本上所有压缩方法都有损，重训练还是比较必要的。

深度神经网络压缩 Deep Compression

为了进一步压缩网络，考虑让若干个权值共享同一个权值，需要存储的数据量也大大减少。

采用kmeans算法来将权值进行聚类，在每一个类中，所有的权值共享该类的聚类质心，

最终存储一个码书和索引表。

1.对权值聚类

  采用kmeans聚类算法，通过优化所有类内元素，到聚类中心的差距（within-cluster sum of squares ），确定最终的聚类结果。

2. 聚类中心初始化

    常用的初始化，包括3种：

    a) 随机初始化。

       即从原始数据，随机产生k个观察值，作为聚类中心。

    b) 密度分布初始化。

       现将累计概率密度CDF的y值，分布线性划分，

       根据每个划分点的y值，找到与CDF曲线的交点，再找到该交点对应的x轴坐标，作为初始聚类中心。

    c) 线性初始化。

        将原始数据的最小值到最大值之间的线性划分，作为初始聚类中心。

    三种初始化方式的示意图，如下所示：

 

由于大权值比小权值更重要（参加HanSong15年论文），线性初始化方式，能更好地保留大权值中心，文中采用这一方式，后面的实验结果，验证了这个结论。

3. 前向反馈和后项传播

    前向时需要将每个权值，用对应的聚类中心代替，后向计算每个类内的权值梯度，

    将梯度和反传，用来更新聚类中心。

    如图：

 

 

     共享权值后，就可以用一个码书和对应的index来表征。

    假设原始权值用32bit浮点型表示，量化区间为256，即8bit，共有n个权值，量化后需要存储n个8bit索引和256个聚类中心值，可以计算出压缩率compression ratio:

        r = 32*n / (8*n + 256*32 )≈4

        如果采用8bit编码，至少能达到4倍压缩率。

 

 

参考链接：

https://github.com/Ewenwan/MVision/tree/master/CNN/Deep_Compression/quantization#1-%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%8E%8B%E7%BC%A9-deep-compression