当前位置：首页 > news >正文

神经网络量化-基础算法介绍

news 来源：原创 2025/5/15 22:54:10

基本公式

首先，遵循如下基本公式进行量化

$r=S(q-Z)$

q为量化后的数据，例如如果量化为8bit，那么q是一个8bit的整数，S（scale）和Z(zero-point)为量化参数，为常量，r是量化前的真实值，为实数。S为正实数，Z和q数据类型相同，也是量化的，不同的矩阵和激活计算，我们使用不同的量化参数。那么，容易得到，对于给定的实数 $r$ ，其量化公式为：

$q=round\left ( \frac{r}{S}+Z \right )$

矩阵乘法

我们来看下，如何基于上面的公式，完全通过量化整数的计算来实现矩阵乘法。考虑矩阵乘法 $r_3=r_1r_2$ ，设矩阵的元素为 $r^{(i,j)}_{\alpha} ; {\alpha}=1,2,3; 1\leqslant i,j \leqslant N$ ，那么量化公式变为

$r_\alpha^{(i,j)}=S_\alpha(q_\alpha^{(i,j)}-Z_\alpha)$

根据矩阵乘法定义我们有

$S_3(q_3^{(i,k)}-Z_3)=\sum_{j=1}^{N}S_1(q_1^{(i,j)}-Z_1)S_2(q_2^{(j,k)}-Z_2)$ （1）

进一步可以得到

$q_3^{(i,k)}=Z_3+M\sum_{j=1}^{N}(q_1^{(i,j)}-Z_1)(q_2^{(j,k)}-Z_2); M=\frac{S_1S_2}{S_3}$ （2）

我们可以看到唯一的非整数是M，根据经验M总是在(0,1)范围内，那么可以表示成规范化的形式：

$M=2^{-n}M_0$

n是非负的整数， $M_0$ 在[0.5,1)范围内，此时我们可以增加 $M_0$ 的位数来将浮点乘法转换为定点乘法（int16或者int32)，例如，首先扩大 $2^{16}$ 倍，运算玩再缩小 $2^{16}$ 倍，而缩小的运算可以直接通过移位或者截断来非常高效的实现，下面通过一个实例来说明：

#include <iostream>
#include <stdint.h>
#include <math.h>
int main() {
    float Mf = 0.239; // 浮点值M
    uint32_t Q = 123; // M要相乘的整数
    std::cout << "Real result is " << Mf * Q << std::endl;
    uint32_t shiftScale = pow(2,16); // 扩大2^16倍
    uint32_t M0 = shiftScale * Mf; //扩大后的M0
    std::cout << " M0 is " << M0 << std::endl;
    uint32_t result = M0 * Q;
    std::cout << "Quantize result is " << (result >> 16) << std::endl;
    std::cout << "Transform to real result is " << result / pow(2.0,16) << std::endl;
    return 0;
}

执行结果

Real result is 29.397
 M0 is 15663
Quantize result is 29 
Transform to real result is 29.3968

可以看到通过这种方式，我们可以得到小数点位之前整数位计算的正确性，而且低16位其实保存了有效的小数位结果（15~0，依次存：0.5，0.25, 0.125.....），如果我们能够高效的转换成浮点那么可以进一步提高精度，整数部分如果考虑四舍五入（否则值会统一像低位偏），量化结果可以表示为

uint32_t result = M0 * Q + pow(2,15);

零点的高效处理

公式（1）可以进一步简化为：

$q_3^{(i,k)}=Z_3+M\left (NZ_1Z_2-Z_1a_2^{(k)}-Z_2a_1^{(i)}+ \sum_{j=1}^{N}q_1^{(i,j)}q_2^{(j,k)} \right )$ (3)

其中，

$a_2^{(k)}=\sum_{j=1}^{N}q_2^{(j,k)}, a_1^{(i)}=\sum_{j=1}^{N}q_1^{(i,j)},$

可以看到，基于变换后的公式，主要计算量在 $\sum_{j=1}^{N}q_1^{(i,j)}q_2^{(j,k)}$ ，零点相关只需要通过两个累加来实现。

层融合

基于公式（3），我们可以进一步将偏置加和激活函数层也加入到公式（3）进一步提升效率。 $\sum_{j=1}^{N}q_1^{(i,j)}q_2^{(j,k)}$ 的输入是uint8输出位int32:

int32 += uint8 * uint8;

这样可以避免多次累加溢出的问题，如果想将偏置加加入到这个累加器，那么偏置向量需要取为int32类型量化数据类型，并且0为量化零点 $Z_{bias} = 0$ ，最后其量化scale $S_{bias}$ 应与累加器一致，即 $S_{bias}=S_1S_2$ 。这样拿到累加器的结果之后，还有3件事情要做：