量化感知训练实践：实现精度无损的模型压缩和推理加速

​简介：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。

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。

给定浮点类型的值，可以通过如下公式将它转化成8比特量化值：

​

其中，表示量化的scale，

​与

​分别表示量化值域的最小值与最大值，

​表示输入浮点值，

​表示量化后的值。量化值转化为浮点值只需执行反操作即可：

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

• weight： per-channel，int8，对称量化
• activation： per-tensor，uint8，非对称量化
• 量化对象： 所有的Conv2d

以移动端框架MNN为例，基本的量化方式为：

• activation： per-tensor，int8，对称量化

通常在具体推理框架上部署量化模型时，还会对类似

conv-bn

、

conv-relu/relu6

conv-bn-relu/relu6

这样的卷积层进行算子融合，因此需要设置为量化融合后的activation。YOLOX中的SiLU激活函数通常不会被融合，output activation的量化仅需要设置到bn的输出，而不是SiLU的输出。训练时一个典型的卷积层量化位置如图2所示。

图2 量化位置示意图

同时，QAT时所有的BN全部fold入相应的卷积中，实验采取了文献[6]中的fold策略。由于模拟量化的引入可能会使得BN层的running_mean与running_var不稳定，从而导致量化训练无法收敛。因此，我们在量化训练中固定BN的running_mean与running_var。

此外，特定部署后端的实现可能需要将activation量化为7bit数值范围，以防止计算溢出。带有avx512_vnni指令集的CPU型号上，则没有相应要求。

3.2 量化训练参数初始化

为了避免导致训练loss不稳定甚至训练发散的情况，我们利用训练后量化（Post training quantization，PTQ）所得的量化参数来初始化LSQ量化训练中activation scale参数。基本的步骤是：

• 选取几十张典型图片，在预训练模型上进行推理，并收集统计各个待量化的activation信息。
• 使用如MSE、KL散度等metric来计算各activation的最佳scale。

基本的实现方式可以使用PyTorch的

HistogramObserver

计算activation scale & zero point，PerChannelMinMaxObserver计算weight scale。

3.3 训练超参数

在QAT阶段，我们使用已经收敛的预训练模型权重，并且使用PTQ量化参数进行QAT初始化。这种情况下，模型参数已接近收敛，因此我们将整体训练的超参数和原始YOLOX训练保持一致，将学习率设置为原始训练收敛阶段的学习率，即5e-4。

3.4 特定后端算子实现的计算误差

因为数值表示精度问题，round操作的结果在训练框架与推理后端上可能并不是相同的，例如：

import torch

torch.tensor(2.5).cuda().round()  # 输出tensor(2., device='cuda:0')

torch.tensor(3.5).cuda().round()  # 输出tensor(4., device='cuda:0')

2.5和3.5的四舍五入行为在PyTorch上并不是相同的，而该行为差异在常见的部署后端框架上可能不存在。这种问题会导致QAT模拟精度和后端实际运行时的精度存在明显差异，因此需要在量化训练阶段进行修正。例如针对MNN后端，我们可以采取如下操作来避免这个差异。

def round_pass(x):

   """

   A simple way to achieve STE operation.

   # y = torch.round(x) # for PyTorch backend

   y = (x + torch.sign(x) * 1e-6).round()  # for mnn backend, round前添加一个小的数值

   y_grad = x

   return (y - y_grad).detach() + y_grad

4. 实验结果与分析

4.1 精度和加速效果

按照上述方式在YOLOX-s模型上进行量化训练，使用COCO2017 validation set进行精度验证，结果如表1所示。两种后端上真实量化的模型的精度性能均和浮点模型齐平。

量化方式	模型 （YOLOX-s）	mAP @0.5:0.95	@0.5	@0.75
-	浮点模型	40.5	59.3	43.8
权重：对称量化 激活值：对称量化	PTQ	39.3	58.5	43.0
QAT	40.8	59.9	44.1
真实量化模型	40.6	59.7	44.2
激活值：非对称量化		39.9	58.9	43.2
	40.7	59.8	43.9
			43.7

表1 浮点模型、QAT模型及后端真实量化模型的精度对比

速度实验中，我们选取PyTorch[7]后端及x86测试平台进行测试，测试的图片分辨率为1x3x640x640。不同资源数下的结果如表2所示。在精度无损的前提下，量化模型的推理速度最高可以提升2.35x，同时模型尺寸为原来的1/4。

后端	浮点速度 (ms)	量化速度	加速比	设备	线程数
PyTorch	321.2	189.9	1.70x	Intel(R) Xeon(R) Platinum 8369HC CPU @ 3.30GHz	1
218.3	106.2	2.06x	2
117.3	57.7	2.03x	4
75.3	34.1	2.21x	8
57.9	24.7	2.35x	16

表2 浮点模型、QAT模型及后端真实量化模型的速度对比

4.2 量化参数初始化的影响

LSQ及LSQ+论文中提出了相应的量化信息初始化方法，实际使用中会发现该种初始化方法对于学习率的设定会比较敏感。一方面，若量化参数的初始值距离收敛值较远，需要通过设置较大的学习率来训练他们。另一方面，较大的学习率会使得模型本身参数跳出已收敛的状态，使得模型进入“重训练”的状态，不确定性增加。而用PTQ来初始化量化参数，可以使得参数处于较优的初始状态，利用浮点模型收敛时的学习率去进行finetune即可获得较好的性能。固定学习率为4e-5的前提下，PTQ及LSQ初始化的训练结果与曲线如图4所示。LSQ初始化的训练曲线在开启mossac数据增强时是逐渐向下的，而PTQ初始化是逐渐向

图4 固定finetune学习率下，不同初始化方法的训练曲线

4.3 训练超参数的影响

学习率的设定会直接影响到最终QAT模型的性能。以原始模型训练收敛阶段的学习率（5e-4）为基准，如果QAT阶段使用相同的学习率，QAT初期的模型精度会逐渐下降，如图4中PTQ初始化红色曲线训练早期所示，但是最终精度会提升至原始非量化模型的水平。如果QAT使用更低学习率（例如5e-4），模型精度会相比于PTQ初始化状态逐渐上升，但是最终精度提升不大：

学习率	mAP@50:95
Baseline
		39.4
	5e-6
	7.5e-6	39.8
	2.5e-6

上述现象的一种可能原因是，在小学习率下模型权重、量化scale基本不变。实际上是基于PTQ的初始解空间继续向局部更好的收敛点靠近，跳出局部解空间的可能性较低。因此，在PTQ初始化的前提下，学习率可以直接设置成浮点模型训练收敛阶段的值。

4.4 训练轮数的选择

上述QAT的结果是训练300 epochs后的模型，减少训练epoch数量的结果，如下所示：

	AP @50:95
QAT（300 epoch）	5e-4
QAT（15 epoch）		39.6		43.3
QAT（30 epoch）			58.8

可以看出随着训练轮数的增大，QAT的结果会更好。QAT训练轮数较低，结果会不如直接用小学习率进行finetune。我们可以得出经验性的trade-off：如果计算资源充足，可以选择训练更长的时间来获得更好的性能。如果计算资源较少，则可以用小学习率训练较短的时间，以获得高于PTQ的性能。

4.5 修正特定算子计算误差的影响

特定算子在训练框架与后端框架中的行为会有细微的差别，这会导致量化训练精度与实际量化模型的精度产生较大的差异。以MNN[5]为例，在YOLOX模型中存在如下两类OP会导致该现象。

修正round操作的影响

是否对round进行修正的结果如表3所示。从训练角度而言，round经过修正后的性能会略好于未修正的。同时如果在训练时round的行为与后端不一致的话，可能会导致真实量化模型的精度发生较大的变化。

修正
未修正			32.9

表3 round修正对于量化训练的影响

Sigmoid快速实现引入的误差

为了提升指数计算的速度，后端框架通常会采取一些快速近似计算。这对于浮点模型而言，通常不会引入较大的误差。但是对于量化模型而言，这个误差可能因为量化操作而被放大。

如图3所示，对于YOLOX的主要pattern（Conv -> SiLU -> Conv），前一层Conv的输出经过SiLU函数后，快速近似计算引入的误差会被后一层卷积输入处的量化操作（除以scale）而缩放。scale越小，缩放的程度越大。以YOLOX-s为例，是否对指数计算进行近似的量化模型精度如表4所示。

图3 YOLOX量化pattern

近似	40.2	59.5
未近似

表4 指数计算的近似带来的模型性能误差

5. 总结

本文通过在YOLOX目标检测模型上的量化实践，验证了通过量化感知训练(QAT)能够在精度无损的情况下，获得显著的模型压缩和推理加速。我们对量化精度误差因素进行了具体分析，指出了解决精度问题的一系列实践手段，并通过实验验证了效果，这可以作为我们在实际应用模型量化时的经验参考。虽然量化相关方法已经被大量研究，但是在实际复杂任务中应用量化仍然面临不少挑战，真正将量化压缩落地，更需要通过模型和系统两方面的协同。此外，还有更多量化训练相关的技术方案（如混合精度量化、更低比特量化等）值得探索和完善。

关于我们

本文中关于量化训练实践工作由阿里云-PAI模型压缩团队和微软NNI团队合作完成，也感谢MNN团队的技术支持。更多模型压缩的算法实现可参考NNI（GitHub repo[4]），更多模型推理优化技术方案可见阿里云PAI-Blade。

参考文献&代码仓库

[1] https://github.com/Megvii-BaseDetection/YOLOX

[2] Esser S K, McKinstry J L, Bablani D, et al. Learned step size quantization[J]. arXiv preprint arXiv:1902.08153, 2019.

[3] Bhalgat Y, Lee J, Nagel M, et al. Lsq+: Improving low-bit quantization through learnable offsets and better initialization[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020: 696-697.

[4] https://github.com/microsoft/nni

[5] Jiang X, Wang H, Chen Y, et al. Mnn: A universal and efficient inference engine[J]. arXiv preprint arXiv:2002.12418, 2020.

[6] Jacob B, Kligys S, Chen B, et al. Quantization and training of neural networks for efficient integer-arithmetic-only inference[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 2704-2713.

[7] Paszke A, Gross S, Massa F, et al. Pytorch: An imperative style, high-performance deep learning library[J]. Advances in neural information processing systems, 2019, 32: 8026-8037.

[8] Ge Z, Liu S, Wang F, et al. Yolox: Exceeding yolo series in 2021[J]. arXiv preprint arXiv:2107.08430, 2021.

原文链接

本文为阿里云原创内容，未经允许不得转载。