十岁的小男孩

　　本文为终端移植的一个小章节。

目录

　　　　背景
　　　　理论
　　　　实践

Quantize

背景

　　Neural Network模型一般都会占用很大的磁盘空间，比如AlexNet的模型文件就超过了200 MB.模型包含了数百万的参数，绝大部分的空间都用来存储这些模型的参数了。这些参数是浮点数类型的，普通的压缩算法很难压缩它们的空间。

　　一般模型的内部的计算都采用了浮点数计算，浮点数的计算会消耗比较大的计算资源（空间和cpu/gpu时间）,如果在不影响模型准确率的情况下，模型内部可以采用其他简单数值类型进行计算的话，计算速度会提高很多，消耗的计算资源会大大减小，尤其是对于移动设备来说，这点尤其重要。由此引入量化技术。

量化即通过减少表示每个权重所需的比特数来压缩原始网络。

理论

　　对量化的实现是通过把常见操作转换为等价的八位版本达到的。涉及的操作包括卷积，矩阵乘法，激活函数，池化操作，以及拼接。对模型可以压缩到1/4。

我们发现模型属于同一层的参数值会分布在一个较小的区间内，比如-10， 30之间，我们可以记下这个最小值和最大值，在采用8位数量化（可以有其他选择）的情况下，可以把同一层的所有参数都线性映射（也可以采用非线性映射进一步压缩空间）到区间[-10, 30]之间的255个8位整数中的最接近的一个数，例如如下映射：

Quantized | Float
--------- | -----
0         | -10.0
255       | 30.0
128       | 10.0

这样模型文件的大小就基本压缩到了原来的25%，而且在加载的时候可以恢复到原来的数值，当然恢复的数值跟压缩之前会有差异，但事实证明，模型对这种压缩造成的噪音表现的很健壮。

满足第一个需求就这么简单，模型不需要改变，需要改变的是模型的存储和加载部分；但是要解决第二个问题就不这么简单了，事实证明，模型内部的计算如果都采用8位整形数来计算的话，模型的表现会相差很大，原因是模型的训练过程中，需要计算梯度，然后运用一定的学习算法，不断的更新参数，每次的更新量可能是很小的。所以模型的训练过程需要高精度的浮点型数值的。那么模型的预测过程是否可以使用整形数值代替呢？事实证明是可行的。

TensorFlow中模型的量化过程是这样实现的：

将模型中实现了对应的量化操作的操作符替换成量化操作符，经过转换后，输入输出依旧是float，将input从浮点数转换成8 bit，只不过中间的计算是用过8 bit来计算的。

深度学习模型量化算法mmse 模型量化是什么意思_浮点数

图1 原始的计算图

深度学习模型量化算法mmse 模型量化是什么意思_深度学习模型量化算法mmse_02

图2 量化后的计算图


深度学习模型量化算法mmse 模型量化是什么意思_深度学习模型量化算法mmse_03

图3 优化量化处理后的计算图，去掉冗余操作

Quantize：

　　quantize取input中的min和max，分别对应被量化的input中的最小值（0）和最大值（255），把[min, max]这个区间均匀分成255个小区间，把input中的值对应到对应的区间中。

Dequantize：

　　反量化操作则是把上述操作反向执行。

之所以这么做，tensorflow的论述是：

　　1. 权重、活化张量的数值通常分布在一个相对较小的范围中（weight：-15 ~ 15，activatios：-500 ~ 1000）；

　　2. 神经网络对噪音的适应性强，将数量化到一个更小的数集中并不会对整体的结果带来很大的影响；
　　3. 通过量化操作，可以有效提高点乘的计算效率。

实践

　　使用TensorFlow工具进行量化压缩

　　在使用tensorflow这个功能时候需要先下载tensorflow的源代码：

git clone https://github.com/tensorflow/tensorflow.git

进入tensorflow根目录，这里使用tools文件下的两个工具进行量化压缩：graph_transforms、quantization。
安装bazel进行tensorflow工具包的编译。
这里需要注意的是，bazel最好使用最新的，这样编译tensorflow就不会报接口未部署的一些错误。
Linux安装bazel：
https://github.com/bazelbuild/bazel/release 找到bazel-x.x.x-installer-linux-x86_64.sh下载到本地并安装。可以按照git的安装方法进行安装。
安装完毕后开始进行编译tensorflow：

bazel build tensorflow/tools/graph_transforms:transform_graph
bazel build tensorflow/tools/quantization:quantize_graph

编译需要占据很多内存以及cpu资源，建议在性能好点的机器上编译。 
编译完成后使用：

pb_in=$pb_path
pb_out=$pb_path_out
graph_trans=tensorflow/bazel-bin/tensorflow/tools/graph_transforms/transform_graph
$graph_trans --in_graph=$pb_in --out_graph=$pb_in --inputs='input_data' --outputs='softmax' --transforms='
  add_default_attributes
  fold_constants(ignore_errors=true)
  fold_batch_norms
  fold_old_batch_norms
  quantize_weights
  quantize_nodes
  strip_unused_nodes
  sort_by_execution_order'

对于第二个工具quantize_graph。

bazel-bin/tensorflow/tools/quantization/quantize_graph \  
--input=input.pb  
--output_node_names="softmax2"   
--print_nodes  
--output=out.pb \  
--mode=eightbit  
--logtostderr

参考文献：

https://petewarden.com/2016/05/03/how-to-quantize-neural-networks-with-tensorflow/