模型压缩 --学习记录2
- 如何找到更好的权衡方式（模型量化）
- 方法一：寻找更好的 range
- 方法二：寻找更好的 X-fp32（浮点数）
- 方法三：寻找更好的 scale 和 zp
- 方法四：寻找更好的 round
- PTQ 后训练量化（离线量化）
- QAT 量化感知训练(在线量化)
- 量化为什么会带来加速?
- 三、模型稀疏技术
- 3.1、结构化稀疏
- 3.2、半结构化稀疏
- 3.3、纯非结构化稀疏
- 四、其他模型压缩技术
- 4.1、低秩分解
- 4.2、NAS 神经网络结构搜索
- 4.3、知识蒸馏
模型压缩 --学习记录1
通过学习记录1 可以发现，量化就是一些不同设置的选择问题，甚至当我们选择某个部署工具的时候，这些量化 setting 都已经固定了，比如 Tensorrt 是对称、线性、静态、权重 pre-channel、激活 pre-tensor 的量化。
但是我们再往下看看一些其他的情况：
比如： 红点是浮点数，下面的红线是要映射的整型范围。
这样在映射的时候，左边扎堆的点会造成很多的损失，中间空白的部分是一种浪费
在这种时候，我们可以丢弃那个单独的点，可以带来更小的量化误差
- 丢弃部分数据 -> range 降低了 -> scale 降低了
- scale 降低会提高量化的分辨率，但是 scale 过低，丢失的数据又过多。因此，这是权衡的问题
- 量化研究的另一个关键就是
如何找到更好的权衡方式
如何找到更好的权衡方式（模型量化）
方法一：寻找更好的 range
- 按照最大值的百分比作为阈值，删除过大的数据，缩小 range
- 遍历阈值，寻找最小量化误差的阈值
