训练后量化

概述

对于已经训练好的float32模型，通过训练后量化将其转为int8，不仅能减小模型大小，而且能显著提高推理性能。在MindSpore Lite中，这部分功能集成在模型转换工具converter_lite内，通过配置量化配置文件的方式，便能够转换得到量化后模型。

MindSpore Lite训练后量化分为两类：

1. 权重量化：对模型的权值进行量化，仅压缩模型大小，推理时仍然执行float32推理；

2. 全量化：对模型的权值、激活值等统一进行量化，推理时执行int运算，能提升模型推理速度、降低功耗。

配置参数

训练后量化可通过转换工具配置configFile的方式启用训练后量化。配置文件采用INI的风格，针对量化场景，目前可配置的参数包括通用量化参数[common_quant_param]、混合比特权重量化参数[mixed_bit_weight_quant_param]、全量化参数[full_quant_param]和数据预处理参数[data_preprocess_param]。

通用量化参数

通用量化参数是训练后量化的基本设置，主要包括quant_type、bit_num、min_quant_weight_size和min_quant_weight_channel。参数的详细介绍如下所示：

参数	属性	功能描述	参数类型	默认值	取值范围
quant_type	必选	设置量化类型，设置为WEIGHT_QUANT时，启用权重量化；设置为FULL_QUANT时，启用全量化；设置为DYNAMIC_QUANT时，启用动态量化。	String	-	WEIGHT_QUANT、FULL_QUANT、DYNAMIC_QUANT
bit_num	可选	设置量化的比特数，目前权重量化支持0-16bit量化，设置为1-16bit时为固定比特量化，设置为0bit时，启用混合比特量化。全量化、动态量化支持8bit量化。	Integer	8	权重量化：[0，16] 全量化：8 动态量化：8
min_quant_weight_size	可选	设置参与量化的权重尺寸阈值，若权重数大于该值，则对此权重进行量化。	Integer	0	[0, 65535]
min_quant_weight_channel	可选	设置参与量化的权重通道数阈值，若权重通道数大于该值，则对此权重进行量化。	Integer	16	[0, 65535]
skip_quant_node	可选	设置无需量化的算子名称，多个算子之间用,分割。	String	-	-
debug_info_save_path	可选	设置量化Debug信息文件保存的文件夹路径。	String	-	-

目前min_quant_weight_size、min_quant_weight_channel仅对权重量化有效。

建议：全量化在精度不满足的情况下，可设置debug_info_save_path开启Debug模式得到相关统计报告，针对不适合量化的算子设置skip_quant_node对其不进行量化。

通用量化参数配置如下所示：

[common_quant_param]
# Supports WEIGHT_QUANT or FULL_QUANT
quant_type=WEIGHT_QUANT
# Weight quantization support the number of bits [0,16], Set to 0 is mixed bit quantization, otherwise it is fixed bit quantization
# Full quantization support 8bit
bit_num=8
# Layers with size of weights exceeds threshold `min_quant_weight_size` will be quantized.
min_quant_weight_size=0
# Layers with channel size of weights exceeds threshold `min_quant_weight_channel` will be quantized.
min_quant_weight_channel=16
# Set the name of the operator that skips the quantization, and use `,` to split between multiple operators.
skip_quant_node=node_name1,node_name2,node_name3
# Set the folder path where the quantization debug information file is saved.
debug_info_save_path=/home/workspace/mindspore/debug_info_save_path

混合比特权重量化参数

混合比特权重量化参数包括init_scale，启用混合比特权重量化后，将会针对不同层自动搜索最优的比特数。参数的详细介绍如下所示：

参数	属性	功能描述	参数类型	默认值	取值范围
init_scale	可选	初始化scale，数值越大可以带来更大的压缩率，但是也会造成不同程度的精度损失	float	0.02	(0 , 1)
auto_tune	可选	自动搜索init_scale参数，设置后将自动会搜索一组模型输出Tensor在余弦相似度在0.995左右的init_scale值	Boolean	False	True，False

混合比特量化参数配置如下所示：

[mixed_bit_weight_quant_param]
init_scale=0.02
auto_tune=false

全量化参数

全量化参数主要包括activation_quant_method，bias_correction 和target_device。参数的详细介绍如下所示：

参数	属性	功能描述	参数类型	默认值	取值范围
activation_quant_method	可选	激活值量化算法	String	MAX_MIN	KL，MAX_MIN，RemovalOutlier。 KL：基于KL散度对数据范围作量化校准。 MAX_MIN：基于最大值、最小值计算数据的量化参数。 RemovalOutlier：按照一定比例剔除数据的极大极小值，再计算量化参数。 在校准数据集与实际推理时的输入数据相吻合的情况下，推荐使用MAX_MIN；而在校准数据集噪声比较大的情况下，推荐使用KL或者REMOVAL_OUTLIER
bias_correction	可选	是否对量化误差进行校正	Boolean	True	True，False。使能后，将能提升量化模型的精度。
per_channel	可选	采用PerChannel或PerLayer的量化方式	Boolean	True	True，False。设置为False，启用PerLayer量化方式。
target_device	可选	全量化支持多硬件后端。设置特定硬件后，量化模型会调用专有硬件量化算子库进行推理；如果未设置，转换模型调用通用量化算子库。	String	-	NVGPU: 转换后的量化模型可以在NVIDIA GPU上执行量化推理； DSP: 转换后的量化模型可以在DSP硬件上执行量化推理。

通用全量化（PerChannel量化方式）参数配置如下所示：

[full_quant_param]
# Activation quantized method supports MAX_MIN or KL or REMOVAL_OUTLIER
activation_quant_method=MAX_MIN
# Whether to correct the quantization error. Recommended to set to true.
bias_correction=true
# If set to true, it will enable PerChannel quantization, or set to false to enable PerLayer quantization.
per_channel=true

通用全量化（PerLayer量化方式）参数配置如下所示：

[full_quant_param]
# Activation quantized method supports MAX_MIN or KL or REMOVAL_OUTLIER
activation_quant_method=MAX_MIN
# Whether to correct the quantization error. Recommended to set to true.
bias_correction=true
# If set to true, it will enable PerChannel quantization, or set to false to enable PerLayer quantization.
per_channel=false

NVIDIA GPU全量化参数配置如下：

[full_quant_param]
# Activation quantized method supports MAX_MIN or KL or REMOVAL_OUTLIER
activation_quant_method=MAX_MIN
# Supports specific hardware backends
target_device=NVGPU

DSP全量化参数配置如下：

[full_quant_param]
# Activation quantized method supports MAX_MIN or KL or REMOVAL_OUTLIER
activation_quant_method=MAX_MIN
# Whether to correct the quantization error.
bias_correction=false
# Supports specific hardware backends
target_device=DSP

数据预处理

全量化需要提供100-500张的校准数据集进行预推理，用于计算全量化激活值的量化参数。如果存在多个输入Tensor，每个输入Tensor的校准数据集需要各自保存一个文件夹。

针对BIN格式的校准数据集，.bin文件存储的是输入的数据Buffer，同时输入数据的Format需要和推理时输入数据的Format保持一致。针对四维数据，默认是NHWC。如果配置了转换工具的命令参数inputDataFormat，输入的Buffer的Format需要保持一致。

针对图片格式的校准数据集，后量化提供通道转换、归一化、缩放和裁剪等数据预处理功能。

参数	属性	功能描述	参数类型	默认值	取值范围
calibrate_path	必选	存放校准数据集的目录；如果模型有多个输入，请依次填写对应的数据所在目录，目录路径间请用,隔开	String	-	input_name_1:/mnt/image/input_1_dir,input_name_2:input_2_dir
calibrate_size	必选	矫正集数量	Integer	-	[1, 65535]
input_type	必选	矫正数据文件格式类型	String	-	IMAGE、BIN IMAGE：图片文件数据 BIN：满足推理要求的输入二进制.bin文件数据
image_to_format	可选	图像格式转换	String	-	RGB、GRAY、BGR
normalize_mean	可选	图像归一化的均值 dst = (src - mean) / std	Vector	-	3通道：[mean_1, mean_2, mean_3] 1通道：[mean_1]
normalize_std	可选	图像归一化的标准差 dst = (src - mean) / std	Vector	-	3通道：[std_1, std_2, std_3] 1通道：[std_1]
resize_width	可选	图像缩放宽度	Integer	-	[1, 65535]
resize_height	可选	图像缩放高度	Integer	-	[1, 65535]
resize_method	可选	图像缩放算法	String	-	LINEAR、NEAREST、CUBIC LINEAR：线性插值 NEARST：最邻近插值 CUBIC：三次样条插值
center_crop_width	可选	中心裁剪宽度	Integer	-	[1, 65535]
center_crop_height	可选	中心裁剪高度	Integer	-	[1, 65535]

数据预处理参数配置如下所示：

[data_preprocess_param]
# Calibration dataset path, the format is input_name_1:input_1_dir,input_name_2:input_2_dir
# Full quantification must provide correction dataset
calibrate_path=input_name_1:/mnt/image/input_1_dir,input_name_2:input_2_dir
# Calibration data size
calibrate_size=100
# Input type supports IMAGE or BIN
# When set to IMAGE, the image data will be read
# When set to BIN, the `.bin` binary file will be read
input_type=IMAGE
# The output format of the preprocessed image
# Supports RGB or GRAY or BGR
image_to_format=RGB
# Image normalization
# dst = (src - mean) / std
normalize_mean=[127.5, 127.5, 127.5]
normalize_std=[127.5, 127.5, 127.5]
# Image resize
resize_width=224
resize_height=224
# Resize method supports LINEAR or NEAREST or CUBIC
resize_method=LINEAR
# Image center crop
center_crop_width=224
center_crop_height=224

权重量化

权重量化支持混合比特量化，同时也支持1~16之间的固定比特量化，比特数越低，模型压缩率越大，但是精度损失通常也比较大。下面对权重量化的使用方式和效果进行阐述。

混合比特量化

目前权重量化支持混合比特量化，会根据模型参数的分布情况，根据用户设置的init_scale作为初始值，自动搜索出最适合当前层的比特数。配置参数的bit_num设置为0时，将启用混合比特量化。

混合比特权重量化转换命令的一般形式为：

./converter_lite --fmk=ModelType --modelFile=ModelFilePath --outputFile=ConvertedModelPath --configFile=/mindspore/lite/tools/converter/quantizer/config/mixed_bit_weight_quant.cfg

混合比特权重量化配置文件如下所示：

[common_quant_param]
# Supports WEIGHT_QUANT or FULL_QUANT
quant_type=WEIGHT_QUANT
# Weight quantization support the number of bits [0,16], Set to 0 is mixed bit quantization, otherwise it is fixed bit quantization
# Full quantization support 8bit
bit_num=0
# Layers with size of weights exceeds threshold `min_quant_weight_size` will be quantized.
min_quant_weight_size=5000
# Layers with channel size of weights exceeds threshold `min_quant_weight_channel` will be quantized.
min_quant_weight_channel=5

[mixed_bit_weight_quant_param]
# Initialization scale in (0,1).
# A larger value can get a larger compression ratio, but it may also cause a larger error.
init_scale=0.02

用户可根据模型及自身需要对权重量化的参数作出调整。

init_scale默认的初始值为0.02，搜索的压缩率相当与6-7固定比特的压缩效果。

混合比特需要搜索最佳比特位，等待时间可能较长，如果需要查看日志，可以在执行前设置export GLOG_v=1，用于打印相关Info级别日志。

固定比特量化

固定比特的权重量化支持1~16之间的固定比特量化，用户可根据模型及自身需要对权重量化的参数作出调整。

固定比特权重量化转换命令的一般形式为：

./converter_lite --fmk=ModelType --modelFile=ModelFilePath --outputFile=ConvertedModelPath --configFile=/mindspore/lite/tools/converter/quantizer/config/fixed_bit_weight_quant.cfg

固定比特权重量化配置文件如下所示：

[common_quant_param]
quant_type=WEIGHT_QUANT
# Weight quantization support the number of bits [0,16], Set to 0 is mixed bit quantization, otherwise it is fixed bit quantization
bit_num=8
# Layers with size of weights exceeds threshold `min_quant_weight_size` will be quantized.
min_quant_weight_size=0
# Layers with channel size of weights exceeds threshold `min_quant_weight_channel` will be quantized.
min_quant_weight_channel=16

部分模型精度结果

模型	测试数据集	FP32模型精度	权重量化精度（8bit）
Inception_V3	ImageNet	77.60%	77.53%
Mobilenet_V1_1.0_224	ImageNet	70.96%	70.56%
Mobilenet_V2_1.0_224	ImageNet	71.56%	71.53%

以上所有结果均在x86环境上测得。

全量化

针对CV模型需要提升模型运行速度、降低模型运行功耗的场景，可以使用训练后全量化功能。下面对全量化的使用方式和效果进行阐述。

全量化计算激活值的量化参数，用户需要提供校准数据集。校准数据集最好来自真实推理场景，能表征模型的实际输入情况，数量在100 - 500个左右。

针对图片数据，目前支持通道调整、归一化、缩放、裁剪等预处理的功能。用户可以根据推理时所需的预处理操作，设置相应的参数。

注意：

• 模型校准数据必须与训练数据同分布，并且校准数据与模型输入的format（例如：NCHW、NHWC）需要保持一致。

全量化转换命令的一般形式为：

./converter_lite --fmk=ModelType --modelFile=ModelFilePath --outputFile=ConvertedModelPath --configFile=/mindspore/lite/tools/converter/quantizer/config/full_quant.cfg

全量化配置文件如下所示：

[common_quant_param]
quant_type=FULL_QUANT
# Full quantization support 8bit
bit_num=8

[data_preprocess_param]
# Calibration dataset path, the format is input_name_1:input_1_dir,input_name_2:input_2_dir
# Full quantification must provide correction dataset
calibrate_path=input_name_1:/mnt/image/input_1_dir,input_name_2:input_2_dir
# Calibration data size
calibrate_size=100
# Input type supports IMAGE or BIN
# When set to IMAGE, the image data will be read
# When set to BIN, the `.bin` binary file will be read
input_type=IMAGE
# The output format of the preprocessed image
# Supports RGB or GRAY or BGR
image_to_format=RGB
# Image normalization
# dst = (src - mean) / std
normalize_mean=[127.5, 127.5, 127.5]
normalize_std=[127.5, 127.5, 127.5]
# Image resize
resize_width=224
resize_height=224
# Resize method supports LINEAR or NEAREST or CUBIC
resize_method=LINEAR
# Image center crop
center_crop_width=224
center_crop_height=224

[full_quant_param]
# Activation quantized method supports MAX_MIN or KL or REMOVAL_OUTLIER
activation_quant_method=MAX_MIN
# Whether to correct the quantization error. Recommended to set to true.
bias_correction=true

全量化需要执行推理，等待时间可能较长，如果需要查看日志，可以在执行前设置export GLOG_v=1，用于打印相关Info级别日志。

部分模型精度结果

模型	测试数据集	量化方法	FP32模型精度	全量化精度（8bit）	说明
Inception_V3	ImageNet	KL	77.60%	77.40%	校准数据集随机选择ImageNet Validation数据集中的100张
Mobilenet_V1_1.0_224	ImageNet	KL	70.96%	70.31%	校准数据集随机选择ImageNet Validation数据集中的100张
Mobilenet_V2_1.0_224	ImageNet	MAX_MIN	71.56%	71.16%	校准数据集随机选择ImageNet Validation数据集中的100张

以上所有结果均在x86环境上测得。

动态量化

针对NLP模型需要提升模型运行速度、降低模型运行功耗的场景，可以使用动态量化功能。下面对动态量化的使用方式和效果进行阐述。

动态量化的权重是离线转换阶段量化，而激活是在运行阶段才进行量化。

动态量化转换命令的一般形式为：

./converter_lite --fmk=ModelType --modelFile=ModelFilePath --outputFile=ConvertedModelPath --configFile=/mindspore/lite/tools/converter/quantizer/config/dynamic_quant.cfg

动态量化配置文件如下所示：

[common_quant_param]
quant_type=DYNAMIC_QUANT
bit_num=8

为了保证量化精度，目前动态量化不支持设置FP16的运行模式。

目前动态量化在支持SDOT指令的ARM架构会有进一步的加速效果。

部分模型性能结果

• tinybert_encoder

模型类型	运行模式	Model Size(M)	RAM(K)	Latency(ms)	Cos-Similarity	压缩率	内存相比FP32	时延相比FP32
FP32	FP32	20	29,029	9.916	1
FP32	FP16	20	18,208	5.75	0.99999	1	-37.28%	-42.01%
FP16	FP16	12	18,105	5.924	0.99999	1.66667	-37.63%	-40.26%
Weight Quant(8 Bit)	FP16	5.3	19,324	5.764	0.99994	3.77358	-33.43%	-41.87%
Dynamic Quant	INT8+FP32	5.2	15,709	4.517	0.99668	3.84615	-45.89%	-54.45%

• tinybert_decoder

模型类型	运行模式	Model Size(M)	RAM(K)	Latency(ms)	Cos-Similarity	压缩率	内存相比FP32	时延相比FP32
FP32	FP32	43	51,355	4.161	1
FP32	FP16	43	29,462	2.184	0.99999	1	-42.63%	-47.51%
FP16	FP16	22	29,440	2.264	0.99999	1.95455	-42.67%	-45.59%
Weight Quant(8 Bit)	FP16	12	32,285	2.307	0.99998	3.58333	-37.13%	-44.56%
Dynamic Quant	INT8+FP32	12	22,181	2.074	0.9993	3.58333	-56.81%	-50.16%

量化Debug

开启量化Debug功能，能够得到数据分布统计报告，用于评估量化误差，辅助决策模型（算子）是否适合量化。针对全量化，会根据所提供矫正数据集的数量，生成N份数据分布统计报告，即每一轮都会生成一份报告；针对权重量化，只会生成1份数据分布统计报告。

设置debug_info_save_path参数后，将会在/home/workspace/mindspore/debug_info_save_path文件夹中生成相关Debug报告：

[common_quant_param]
debug_info_save_path=/home/workspace/mindspore/debug_info_save_path

量化输出汇总报告output_summary.csv包含整图输出层Tensor的精度信息，相关字段如下所示：

Type	Name
Round	校准训练轮次
TensorName	Tensor名
CosineSimilarity	和原始数据对比的余弦相似度

数据分布统计报告round_*.csv统计每个Tensor原始数据分布以及量化Tensor反量化后的数据分布情况。数据分布统计报告相关字段如下所示：

Type	Name
NodeName	节点名
NodeType	节点类型
TensorName	Tensor名
InOutFlag	Tensor输出、输出类型
DataTypeFlag	数据类型，原始数据用Origin，反量化后的数据用Dequant
TensorTypeFlag	针对输入输出等数据类用Activation表示，常量等用Weight表示
Min	最小值，0%分位点
Q1	25%分位点
Median	中位数，50%分位点
Q3	75%分位点
MAX	最大值，100%分位点
Mean	均值
Var	方差
Sparsity	稀疏度
Clip	截断率
CosineSimilarity	和原始数据对比的余弦相似度

量化参数报告quant_param.csv包含所有量化Tensor的量化参数信息，量化参数相关字段如下所示：

Type	Name
NodeName	节点名
NodeType	节点类型
TensorName	Tensor名
ElementsNum	Tensor数据量
Dims	Tensor维度
Scale	量化参数scale
ZeroPoint	量化参数ZeroPoint
Bits	量化比特数
CorrectionVar	误差矫正系数-方差
CorrectionMean	误差矫正系数-均值

由于混合比特量化是非标准量化，该量化参数文件可能不存在。

设置无需量化Node

量化是将Float32算子转换Int8算子，目前的量化策略是针对可支持的某一类算子所包含的Node都会进行量化，但是存在部分Node敏感度较高，量化后会引发较大的误差，同时某些层量化后推理速度远低于Float16的推理速度。支持指定层不量化，可以有效提高精度和推理速度。

下面将conv2d_1 add_8 concat_1三个Node不进行量化的示例：

[common_quant_param]
# Supports WEIGHT_QUANT or FULL_QUANT
quant_type=FULL_QUANT
# Weight quantization support the number of bits [0,16], Set to 0 is mixed bit quantization, otherwise it is fixed bit quantization
# Full quantization support 8bit
bit_num=8
# Set the name of the operator that skips the quantization, and use `,` to split between multiple operators.
skip_quant_node=conv2d_1,add_8,concat_1

使用建议

1. 通过过滤InOutFlag == Output && DataTypeFlag == Dequant，可以筛选出所有量化算子的输出层，通过查看量化输出的CosineSimilarity来判断算子的精度损失，越接近1损失越小。

2. 针对Add、Concat等合并类算子，如果不同输入Tensor之间min、max分布差异较大，容易引发较大误差，可以设置skip_quant_node，将其不量化。

3. 针对截断率Clip较高的算子，可以设置skip_quant_node，将其不量化。