前言
手写AI推出的全新TensorRT模型量化课程，链接：TensorRT下的模型量化。
课程大纲如下：
1. 量化的定义及意义
1.1 什么是量化？
定义
量化(Quantization)是指将高精度浮点数(如float32)表示为低精度整数(如int8)的过程，从而提高神经网络的效率和性能。具体而言，量化就是将我们训练好的模型，不论是权重、还是计算op，都转换为低精度去计算。实际中我们谈论的量化更多的是INT8量化。
常用的量化方法
常用的量化方法包括对称量化和非对称量化：
- 对称量化是将权重范围均匀地分布在正负两个方向，将浮点数映射到一个正负整数范围中；
- 非对称量化是指使用不同的比例因子（scale factor）和零点（zero point）对每个通道进行量化。
需要注意的是，模型量化会对模型的精度和准确度产生一定的影响，因为量化后的模型可能无法完全保留原始模型中的所有信息和特征。因此，在进行模型量化时需要进行适当的权衡和优化。
我们平时训练出的模型如YOLOv5正常导出，默认都是FP32的精度。在未量化前，网络模型的权重和偏差参数使用FP32高精度浮点数来表示，而浮点数的计算会占用大量的存储空间和计算资源。
现在我们来看下ResNet18导出的ONNX模型的输入、权重、偏置以及输出的数据类型ResNet18导出至ONNX的代码如下：
import torch
import torchvision.models as models
model = models.resnet18(pretrained = False) # 懒得下载预训练权重，这里只是用于测试一下而已
input = torch.randn(1,3,224,224)
torch.onnx.export(model,input,"resnet18.onnx")
使用netron来查看onnx的模型，在查看网络层中，输入、权重和偏置发现都是FP32的数据类型，如下图显示第一个conv卷积核中，输入和权重的类型：
1.2 为什么要量化
未量化存在的问题
我们平时训练出的模型如YOLOv5正常导出，默认都是FP32的精度，在深度学习训练和推理的过程中，最常用的精度就是FP32。在未量化前，网络模型的权重和偏差参数使用FP32高精度浮点数来表示，而浮点数的计算会占用大量的存储空间和计算资源。
量化后的优势：
- 减少内存占用，模型容量变小，如FP32权重变成INT8，大小直接缩小了4倍数；
- 加速计算，实际卷积计算的op是INT8类型，在特定硬件下可以利用INT8的指令集去实现高吞吐，不论是GPU还是INTEL、ARM等平台都有INT8的指令集优化；
- 减少功耗和延迟，有利于嵌入式侧设备的应用；
- 量化是模型部署中的一种重要的优化方法，可以在部分精度损失的前提下，大幅提高神经网络的效率和性能
不同类型的区别：
- FP32是单精度浮点数，采用32位二进制数表示，其中1位为符号位，8位为指数位，23位为尾数位；
- FP16是半精度浮点数，采用16位二进制数表示，其中1位为符号位，5位为指数位，10位为尾数位；
- INT8是8位整数，采用8位二进制数表示，其中1位为符号位，7位为数值位。
对于浮点数来说，指数位表示该精度可达到的动态范围，而尾数位表示精度。
从FP32=>FP16是一种量化，只不过因为FP32=>FP16几乎是无损的(CUDA中使用__float2half直接进行转换)，不需要calibrator去校正、更不需要retrain。并且FP16的精度下降对于大部分任务影响不是很大，甚至有些任务会提升。
1.3 如何量化？
案例
如何将一个浮点数组[-0.61,-0.52,1.62]用int的方式进行描述？以对称量化为例
- 计算数组中共同的scale
Scale = (float_max - float_min) / (quant_max - quant_min)
= (1.62-(-0.61)) / (127 - (-128)) = 0.0087109
- 量化操作
0.61 / 0.0087109 = -70.0272072
-0.52 / 0.0087109 = -59.6953242 ==> [-70,-59,185] 取整
1.62 / 0.0087109 = 185.9738947
- 截断操作
[-70,-59,185] ==> [-70,-59,127]
# 因为对称量化的范围在-127到127，185已经超过范围了，所以要进行截断操作
- 反量化操作
量化前：[-0.61,-0.52,1.62]
量化后：[-0.609763,-0.5139431,1.1062843]
可以看到截断的数值最后反量化与原数值相差较大(1.62与1.1062843)
2. 展-export参数详解
torch.onnx.export()是将PyTorch模型导出为ONNX格式的函数。其参数如下：
- model：需要导出为ONNX格式的PyTorch模型
- args：模型的输入参数，可以是一个tensor或者一个包含多个tensor的元组
- f：导出的ONNX模型的保存路径或文件对象
- export_params：是否导出模型参数，默认为True
- verbose：是否打印导出过程信息，默认为False
- do_constant_folding：是否进行常量折叠优化，默认为True
- input_names：模型输入节点的名称，默认为[“input”]
- output_names：模型输出节点的名称，默认为[“output”]
- dynamic_axes：动态维度
- opset_version：导出的ONNX版本号，默认为9
- keep_initializers_as_inputs：是否将初始化器保存为输入节点，默认为False
- operator_export_type：导出的算子类型，默认为torch.onnx.OperatorExportTypes.ONNX
参考链接：
- 神经网络量化教程
- TensorRT量化第一课：量化的定义及意义
