zhly0 / awesome-quantization-and-fixed-point-training

Neural Network Quantization & Low-Bit Fixed Point Training For Hardware-Friendly Algorithm Design

初衷

• （表明该整理的目的，为后续工作展开做一些指引）
• 本文不完全包括了一些NN Fixed-Point Training的可能实现方向，为后续实验指路
• 本文的最终目的是面向FPGA等嵌入式设备的NN 部署/训练，的一个软件仿真工具。为了Scalability,会尝试实现一些较为General的定点训练技巧
  • 故可能不会包含BinaryNetwork等较为*激进/专门化(需要额外硬件计算结构设计)*的实现方式
  • 以及诸如MobileNet, ShuffleNet 等轻量化网络设计
• Quantization的两种主要方式
  • 基于CodeBook的(Deep Compression) ：实际参数还是高精度的，无法利用定点计算进行加速，仅能减少存储
  • 基于定点数(Fixed Point表示)，(IBM的FP8也可以归入此类) ： 可利用定点计算加速，故本文主要采取该方式
• 目前预计的几种场景
  • Post-Training Quantization : 在完成FP训练之后的压缩，产生定点的W/A进行部署
    • Example：Distillation，EntropyConstraintQ， IncrementalQ
  • Quantize-Aware Training ： 在训练过程中考虑定点的影响，在训练中采取Fixed,产生定点的W/A进行部署
    • Example： StraightThroughActivation的方法（训练时用Fixed Inference，但是梯度是对应的全精度副本做）
  • Fixed-Point Training: 训练过程中进行纯定点(W/G/A)，模拟在纯定点设备上进行训练
    • Example：WAGE
    • 有点激进，不知道是否能实现

Methods

从自己的出发点对看到的一些定点相关工作的方法与**的纯主观归纳（可能存在偏差甚至错误）

该种划分方式没有什么道理，只是我强行区分的罢了）

A. Post-Training Quantization

该类方法最大的特点就是利用已经训练好的模型进行压缩，与Quantized-Aware Training相对比有几分 2-Stage的意味，优势在于可以利用已经基本确定的参数分布去分析，采取量化策略,对大模型比较有效，但是小模型会崩

• 1510-Deep Compression

  • 利用了参数分布的知识，采用K-Means

• 1702-Incremental Quantization

  • 分组-量化-Finetune的流程，每次retrain只有当前组被量化，迭代直到所有参数都被量化（介于A与B之间）

• 1802-Model compression via distillation and quantization

  • ICLR 2018
  • 利用一个很大的Tecaher来引导低比特网络

• 1810-Post training 4-bit quantization of convolutional networks for rapid-deployment(NIPS 2019)

  • Intel, No Need To Finetune On Full Dataset
  • 3 Methods,一些理论推导得到每channel比特数的分配以及ClippingValue可以依据已有的参数分布算出来

• 1907-And the Bit Goes Down: Revisiting the Quantization of Neural Networks

• Other Methods (More Of a Digest Not Important)

  • 1511-Fixed Point Quantization of Deep Convolutional Network
    • 高通 基于SQNR,前Deep Compression的上古时期，没有什么大的亮点
  • Entropy Constraint Scalar Quantization
    • 对每一个参数的Gradient做泰勒展开并且舍弃高阶项，化简得到哪些参数对最终Loss重要，以此作为剪枝或者量化的依据(选取聚类中心)
    • 也可以作为剪枝的依据
    • 和剪枝的这篇，有一定相关性1611-Designing Energy-Efficient Convolutional Neural Networks using Energy-Aware Pruning
      • 贪心的剪去对最后Loss影响不大的 (也就是TCP(Transfer Channel Prunning)中的剪枝方式)
      • 1711-NISP: Pruning Networks using Neuron Importance Score Propagation也会涉及
  • 1805-Retraining-Based Iterative Weight Quantization for Deep Neural Networks
  • 1906-Data-Free Quantization through weiht equailization & Bias Correction

B. Quantize-Aware-Training

相比于第一类，该类方法的主要优势在于1-Stage，简化了训练过程

• 早期的一些Binary/XNORNet均属于此类，大部分基于StraightThroughActivation的**，即认为定点过程的导数为1

  • 1603-XNORNet
    • 对WA二值化，加上一个L1Norm的mean作为每层的ScalingFactor（其改进DoReFa加上了G的）
  • 1605-TWN
    • TWN - 最小化全精度weight与Ternary Weight之间的L2 Norm
  • 1709-WRPN-Intel-ICLR2018
    • 低比特WA(全精度G)，但是让网络更wide(增多了FeatureMap数量)

• 1712-Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference

  • 包含了一个浮点的Scale Factor,最大化利用了动态范围，利用了(0.45-0.5)的这一段空间
  • 非对称量化(有一个零点，以及一个浮点的Scale - 逐层)
  • Merge Conv-BN

• 1805-PACT

  • 训练中Quantize Activation，训练一个activation clipping parameter(修改Relu的clip范围s)(也就是在训练中找FixScale)

• 1802-Mixed Precision Training Of ConvNets Using Integer Operations-ICLR2018

  • 16bit Training

• 1805-Accurate & Efficient 2-bit QNN

  • PACT + SAWB (Statistics-Aware Weight bining)
  • 文中有Analytic分析PACT和relu的表示能力一致

• 1808-Learning to Quantize Deep Networks by Optimizing Quantization Intervals with Task Loss

  • 学习量化的区间和非线性量化的间隔

• 1905-hawq: hessian aware quantization of neuralnetworks with mixed-precision

  • 1911-V2

• 1901-Improving Neural Network Quantization with Retraining Outlier Channel Splitting

  • Code at - Implemented with Distiller Library

• Other Works

  • 1903-Training Quantized Network with Auxiliary Gradient Module
  • 额外的fullPrecision梯度模块(解决residue的skip connection不好定的问题，目的前向完全fix point)，有几分用一个FP去杠杆起低比特网络的意味
  • 1901-Accumulation bit-width Scaling
    • IBM ICLR 2019, 找Accumulator可以压到多少

C. (Full) Fixed-Point Training

纯定点的训练,大部分都是对一些经典的部分做一些简化。以及对梯度量化也会归入此类(目的是训练的加速，而不仅仅是为了部署)

• 1606-DoReFa

  • 算是最先提出低比特训练
  • 每个Layer有一个ScalingFactor

• 1802-WAGE - Training & Inference with Integers in DNN

  • 全定点，简化了很多部分，但是精度损失比较明显

• 1705-TernGrad

  • 将梯度定点为3值(用类似TWN的方式)，目的是减少分布式训练中的通信传播

• 1805-Scalable Methods for 8-bit Training of Neural Networks

  • Intel(AIPG) NIPS2018 (WAG8)(RangeBN)

• 1812-Training Deep Neural Networks with 8-bit Floating Point Numbers

  • FP8 - Training

• 1905-mixed precision training with 8-bit floating point

  • wage all fp8
  • 对比了rne(round2nearesteven)&sstochastic rounding

• 全部8bit训练Flow - Towards Unified INT8 Training for Convolutional Neural Network

  • SenseTime CVPR 2020

• Other Methods

  • 1812-Per-Tensor-Quantization of BackProp
    • ICLR2019, Precision Assignment (好多数学假设分析),给出了一种确定每层位宽的方法
  • 1812-Hybrid 8-bit Training
    • FP8的后续，对不同的组件提出不同的exponential bit与mantissa bit的划分方式

Ideas

Post-Training Quantization

• Important Weighing
  • 通过评估每个参数对最终Loss的重要程度，作为剪枝或是量化的依据，比如这篇文章
• Knowledge Distillation
  • 通过一个高精度模型给低比特模型的Finetune提供SoftLabel
• Incremental & Iterative Quantization
  • Gradually做Quantization，前者是每次选取一部分Weight，后者是逐渐降低比特数目
• Analytical Correction
  • 从解析的角度去做一些矫正或者是限制,代表文章
• Data-Free Quantization
  • 近几年兴起的一个领域,和👆的方法有一些相关性

Quantize-Aware Training

定点数化之后相比于浮点最大的问题就是动态范围,也是主要的优化目的　

• 限制动态范围
  • 从训练角度就不要让参数分布的太散,减少造成的影响,比如PACT
  • 训练中加大WeightDecay(L1 Norm)之后训练出来的模型定点效果会更好
• 细粒度的确定量化区间
  • 同一区间中会取同一个Range,通过减少被划入同一动态范围的参数量来减少Clamp的发生
  • 从Layer-Wise到Channel-Wise再到Block-Wise
• 细粒度的分配bit数
  • Mixed-Precision的一系列方法
  • Hybrid FP8 - 对A/W采取不同的指数bit分配
• 扩大动态范围
  • FP8 - 2次幂的浮点数
• 充分利用动态范围
  • 引入浮点ScalingFactor,这篇
  • 非线性量化
• 学习量化中的各种值(ClippingValue/QuantizeInterval)
  • 用于替代解析方法求出来的一些解析解(解析方法的一些假设不是很精确)
  • PACT学习了Relu的ClippingValue
  • KAIST的这篇文章学习了量化的
  • TTQ学习了ScalingFactor

Fixed-Point Training

一般只有有加速训练的需求的时候才需要量化梯度,但是由于梯度的特殊性(动态范围大,且大值小值都很重要)采用一般的量化方式不足,一般需要额外的设计;但是👆部分的很多方法的目的是为了更好的量化,印次对该部分也有指导价值

• 量化梯度
  • TernGrad主要是利用了随机Rounding
  • FP8/Fp16 扩大动态范围
  • 更细粒度的划分Range
• 简化训练
  • BN
    • RangeBN / L1BN
  • WAGE简化了各种(献祭了精度)
• 全部8bit训练Flow - Towards Unified INT8 Training for Convolutional Neural Network

Others

• Fitting Weight or Activation？
  • 从二值化网络开始，很多analytical的求解方式往往是在参数分布高斯的假设前提下，最小化量化后参数与量化前参数的MSE
  • 后续的如这篇，认为参数可以变化，需要保存的是每一层的输出Activation
• 把WA压缩到能放到片上能够显著提升硬件设计性能(显而易见)
  • 这可能也是BNN系列的比较繁荣的原因
• Huge Batch Size可以帮助Binary的训练(原理上对低比特同理?)
• Rounding Methods - Neareset/Stochastic/Biased Rounding
  • Stochastic Rounding很关键，可以用到更低比特的信息
  • 但是对硬件设计不太友好
  • 也是TernGrad之所以能work的原因
• 从模型压缩角度看，硬件部署训练的几大难点(和不太elegant的地方)
  • 依赖大batch对存储要求高
  • 随机rounding，硬件难实现

经典的建模方式

• 如Post-Training 4bit一文,各种Analytical求解的方法都是将量化过程抽象为一个优化问题
• (一般都假设输入的分布为Gauss),最小化量化前后参数的MSE

Stochastic Roudning Related

• Stochastic Rounding对保证Convergence重要
  • 但是WRPN作者文中表示自己利用了Full-Precision Grad所以不关键
  • Scalable Methods for 8-bit Training of Neural Networks也提到了
  • Mixed Precision Training With 8-bit Floating Point文中对RNE和Stochastic Rounding做了一个对比
    • 比如imagenet Res18，问题不大，但是Res50会明显Overfiting
    • 作者归因为Noisy Gradient错误指引了模型的前进方向，weight被错误更新了
    • 同时发现L2范数会激烈增大，导致了Gradient变得更加Noisy，从而Vicious Circle
    • 结论是RNE的方法对Gradient的Quantization Noise不是很有效
    • 认为stochastic rounding参考了被丢掉bit的信息，更稳定

BN Related

• WAGE首先提出BN是训练瓶颈
• L1BN (Linear BN)
  • 将BN所有的操作都转化为线性
• RangeBN
  • 将BN的Var转化为一个|Max-Min|*(1/sqrt(2ln(n)))
• 假设BN的running mean/var已经稳定
  • 然后把他当作常数来计算

Genre

这一部分列举了很多文章，但是很多并没有阅读过

Binary及其延申(极低比特)

从一开始的BNN延申开来的一系列work，基本都是利用了二值之后乘法变bitwise，对硬件部署采用非传统运算单元。

• BNN
• BinaryConnect
• TernaryNet(TWN)
• XNorNet
• ABCNet
• WRPN-Intel-ICLR2018
• DoReFaNet
• TTQ(Trained Ternary Quantization)
• Simultaneously Optimizing Weight and Quantizer of Ternary Neural Network using Truncated Gaussian Approximation
• Training Competitive Binary Neural Networks from Scratch
• 最后这篇文章放在这里只是为了告诉大家这个领域到了2019年还在蓬勃发展

量化方法（低比特）

使用相对较为传统的比特数(4,6,8)，在具体量化方式，以及训练方式入手

• Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference
• PACT
• Incremental Quantization
• Model compression via distillation and quantization
• Training Deep Neural Networks with 8-bit Floating Point Numbers

理论分析

• Training Quantized Nets: A Deeper Understanding
• Towards The Limits Of Network Quantization
• Accumulation bit-width Scaling
• Per-Tensor-Quantization of BackProp
• Understanding Straight-Through Estimator in Training Activation Quantized Neural Nets
• An Empirical study of Binary Neural Networks' Optimisation
• Scalable Methods for 8-bit Training of Neural Networks | Part 5

奇技淫巧

• ernGrad: Ternary Gradients to Reduce Communication in Distributed Deep Learning
• Deep Learning with Low Precision by Half-wave Gaussian Quantization
• Learning low-precision neural networks without Straight-Through Estimator (STE)
• SWALP: Stochastic Weight Averaging in Low-Precision Training
• Analysis Of Quantized MOdels-ICLR2019
• Training Quantized Network with Auxiliary Gradient Module
• Learning to Quantize Deep Networks by Optimizing Quantization Intervals with Task Loss
• ReLeQ: An Automatic Reinforcement Learning Approach for Deep Quantization of Neural Networks
• And the Bit Goes Down: Revisiting the Quantization of Neural Networks
• Ternary MobileNets via Per-Layer Hybrid Filter Banks
• Effective Training of Convolutional Neural Networks with Low-bitwidth Weights and Activations
• MoBiNet: A Mobile Binary Network for Image Classification

Docs

看一下大公司主流的压缩工具都提供了什么功能

Tensorflow Lite

tf.contrib.quantize & Tensorflow Lite

• 提供了一个Post-Training-Quantize的工具
  • 看上去是很直接的Quantize没有用到什么技巧，标准数据格式之间的转变(float16/int8) 没有自定义的数据格式
  • 文档中直接写到 If you want Higher Performance, Use Quantize-aware Training
  • 没有Finetune的过程？
• Quantize-Aware Training
  • 只支持部分网络结构(合理)以卷积为主，还有一些RNN
  • 这里默认Fold了Conv和BN(我们所说的MergeConvBNs)
  • 有一个TOCO(Tf Lite Optimizing Converter)工具可以直接将训练好的FrozenGraph转化为真正的定点模型

PyTorch

Quantization Tool

• QNNPack
• 支持PerTensor和PerChannel的量化，采用带zeropoint的rounding
• Quantize Aware Training at torch.nn.qat torch.nn.intrinsic.qat
• 提供了很多Observer
• 支持Symmetrical和Asymmetrical的量化

---

Groups (Low-Bit Training)

• Intel (AIPG)
• KAIST (Korea)
• IBM
• Kaust (迪拜的一个学校...)

TODO

• 实现对BN的魔改
  • 首先研究它的定点Beahaviour
    • 还需要再过一过文献中，统计以下目前对BN的认识(除了不能定点之外，大家都是怎么处理的)
• 实现Stochastic rounding
• 实现PACT
• 对目前的几种Range方法实现分组
• 对WA做Clamp实现，作为超参数加入
• (?) 能否从TernaryNet这一系列中提取出一些可以参考的优化点（比如训练出一个Range）

References

• Awesome-Model-Compression
• Blog N0.0
• TensorBoard Lite Doc
• Distiller Doc