模型量化技术（入门级理解，不涉及复杂公式和深入的原理）
量化技术
量化的概念
一般是高精度浮点数表示的网络权值以及激活值用低精度（例如8比特定点）来近似表示
达到模型轻量化，加速深度学习模型推理，目前8比特推理已经比较成熟
使用低精度的模型推理的优点：
①模型存储主要是每个层的权值，量化后模型占用空间小，32比特可以缩减至8比特
并且激活值用8比特后，减小了内存的访问带宽需求
②单位时间内处理定点运算指令比浮点数运算指令多
量化的分类
一般按照量化阶段不同分为后量化和训练时量化，用的比较多的是后量化，像tensorRT和RKNN
按照量化映射方法又可以分为对称量化和非对称量化
对称量化（int8 -128-127）
对称算法是通过一个收缩因子，将FP32中的最大绝对值映射到8比特的最大值，最大绝对值的负值（注意此值不是fp32的最小值，是最大绝对值的相反数，故对称）映射到
8比特的最小值，有对应的映射公式（较复杂，不做展示）如图所示。一般不采用zero-point。
收缩因子：
对于fp32的值若均匀分布在0左右，映射后的值也会均匀分布，若fp32的值分布不均匀，映射后不能充分利用
映射空间。
非对称量化（uint8 0-255）
通过收缩因子和零点（用于偏移），将 FP32 张量 的 min/max 映射分别映射到 8-bit 数据的 min/max ，有对应的映射公式（较复杂，不做展示）
收缩因子： 
加入零点的原因，0有特殊意义如padding，若不加零点z，量化后会映射到0，加入零点z后，浮点0量化后映射到0-255中间的一个数字。
可以无误差地量化浮点数中的数据 0，从而减少补零操作（比如卷积中的padding zero）在量化中产生额外的误差。
缺点是只有正数，有的处理方式是把0点左移到-128，范围控制在【-128，127】中，但还是非对称量化。
对称与非对称的优缺点：
非对称可以处理好FP32数据分布不均匀的情况。
若对称算法产生的量化后数据很多都是在【0，127】内，左边的范围利用很少，减弱了量化数据的表示能力，影响模型精度。
量化的粒度
一般分为通道级量化和张量级量化，（不具体介绍概念）
通常张量的每一个通道代表一类特征，因此不同通道之间可能有数据分布相差较大情况，此时适合使用通道级量化
一般而言卷积中建议对权值使用非对称通道级的量化，激活采用张量级量化
TensorRT后量化算法
不饱和的线性量化就是量化后的数据扎堆在某一个范围（导致本不该相同的变为相同的），存在一些范围利用少的情况，会导致精度损失较大。
TensorRT量化方法：
激活值饱和量化（右图），选择合适的阈值T
权值非饱和量化（左图）
TensorRT另一个主要的优化是在层间融合或张量融合
模型推理的时候，每一次的操作都是由gpu启动不同的cuda核心来完成的，大量的时间花在cuda核心启动和读写操作上，造成了内存带宽的瓶颈和GPU资源浪费。TENSORRT通过层间融合，横向融合把卷积偏置激活合并成一个结构，并且只占用一个cuda核心，纵向融合把结构相同，权值不同的层合并成一个更宽的层，也是占用一个cuda核心，因此整个模型结构更小更快。
参考：
https://www.cnblogs.com/qccz123456/p/11767858.html
公众号 gaintpanda
rknn开发社区资料，文档
