【模型量化】神经网络量化基础及代码学习总结

1 量化的介绍

量化是减少神经网络计算时间和能耗的最有效的方法之一。在神经网络量化中，权重和激活张量存储在比训练时通常使用的16-bit或32-bit更低的比特精度。当从32-bit降低到8-bit，存储张量的内存开销减少了4倍，矩阵乘法的计算成本则二次地减少了16倍。

神经网络已被证明对量化具有鲁棒性，这意味着它们可以被量化到较低的位宽，而对网络精度的影响相对较小。然而，神经网络的量化并不是自由的。低位宽量化会给网络带来噪声，从而导致精度的下降。虽然一些网络对这种噪声具有鲁棒性，但其他网络需要额外的工作来利用量化的好处。

量化实际上是将FLOAT32（32位浮点数）的参数量化到更低精度，精度的变化并不是简单的强制类型转换，而是为不同精度数据之间建立一种数据映射关系，最常见的就是定点与浮点之间的映射关系，使得以较小的精度损失代价得到较好的收益。

2 均匀仿射量化

均匀仿射量化也称为非对称量化，定义如下：
s s s：放缩因子（scale factor）/量化步长（step size），是浮点数
z z z：零点（zero-point），是整数，保证真实的0不会有量化误差，对ReLU和zero-padding很重要
b b b：位宽（bit-width），是整数，比如2, 4, 6, 8
s s s和 z z z的作用是将浮点数转化为整数，范围由b来定

1）将真实输入的浮点数 x \mathbb x x转化为无符号整数：
x i n t = c l a m p ( ⌊ x s ⌉ + z ; 0 , 2 b − 1 ) \mathbf{x}_{int} = \mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil+z; 0, 2^b-1) xint=clamp(⌊sx⌉+z;0,2b−1)

截断/四舍五入函数的定义：
c l a m p ( x ; a , c ) = { a , x < a , x , a ≤ x ≤ b , b , x > c . \mathrm{clamp}(x; a, c) = \begin{cases} a, x < a, \\ x, a \leq x\leq b,\\ b, x>c. \end{cases} clamp(x;a,c)=⎩ ⎨ ⎧a,x<a,x,a≤x≤b,b,x>c.

2）反量化（de-quantization）近似真实的输入 x \mathbf x x：
x ≈ x ^ = s ( x i n t − z ) \mathbf x\approx \mathbf{\hat x} =s(\mathbf x_{int} -z) x≈x^=s(xint−z)

结合以上1）2）步骤，得到如下量化函数的普遍定义：
x ^ = q ( x ; s , z , b ) = s ( c l a m p ( ⌊ x s ⌉ + z ; 0 , 2 b − 1 ) − z ) \mathbf{\hat x}=q(\mathbf x; s, z, b)=s(\mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil+z; 0, 2^b-1)-z) x^=q(x;s,z,b)=s(clamp(⌊sx⌉+z;0,2b−1)−z)

可以发现，量化函数包含了1）中的"浮点转整数"以及"反量化近似浮点"两个过程，这个过程通常被称为 伪量化（fake quantization）操作。

对伪量化的理解：把输入的浮点数据量化到整数，再反量化回浮点数，以此来模拟量化误差，同时在反向传播的时候，采用Straight-Through-Estimator (STE)把导数回传到前面的层。

由上面的公式，有两个误差概念：

1）截断误差（clipping error）：浮点数 x x x超过量化范围时，会被截断，产生误差

2）舍入误差（rounding error）：在做 ⌊ ⋅ ⌉ \lfloor \cdot\rceil ⌊⋅⌉时，会产生四舍五入的误差，误差范围在 [ − 1 2 , 1 2 ] [-\frac{1}{2}, \frac{1}{2}] [−21,21]

为了权衡两种误差，就需要设计合适的s和z，而它们依赖于量化范围和精度。

根据反量化过程，我们设 整数格 上的最大和最小值分别是 Q P = q m a x / s , Q N = q m i n / 2 Q_P=q_{max}/s, Q_N=q_{min}/2 QP=qmax/s,QN=qmin/2，量化值（浮点） 范围为 ( q m i n , q m a x ) (q_{min}, q_{max}) (qmin,qmax)，其中 q m i n = s Q P = s ( 0 − z ) = − s z , q m a x = s Q N = s ( 2 b − 1 − z ) q_{min}=sQ_P=s(0-z)=-sz, q_{max}=sQ_N=s(2^b-1-z) qmin=sQP=s(0−z)=−sz,qmax=sQN=s(2b−1−z)。 x \mathbf x x超过这个范围会被截断，产生截断误差，如果希望减小截断误差，可以增大s的值，但是增大s会增大舍入误差，因为舍入误差的范围是 [ − 1 2 s , 1 2 s ] [-\frac{1}{2}s, \frac{1}{2}s] [−21s,21s]。

怎么计算放缩因子 s s s？
s = q m a x − q m i n 2 b − 1 . s=\frac{q_{max}-q_{min}}{2^b-1}. s=2b−1qmax−qmin.

2.1 对称均匀量化

对称均匀量化是上面非对称量化的简化版，限制了放缩因子 z = 0 z=0 z=0，但是偏移量的缺失限制了整数和浮点域之间的映射。

反量化（de-quantization）近似真实的输入 x \mathbf x x：
x ≈ x ^ = s x i n t x\approx \hat x =s\mathbf x_{int} x≈x^=sxint

将真实输入的浮点数 x \mathbb x x转化为无符号整数：
x i n t = c l a m p ( ⌊ x s ⌉ ; 0 , 2 b − 1 ) \mathbf{x}_{int} = \mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil; 0, 2^b-1) xint=clamp(⌊sx⌉;0,2b−1)

将真实输入的浮点数 x \mathbb x x转化为有符号整数：
x i n t = c l a m p ( ⌊ x s ⌉ ; − 2 b , 2 b − 1 ) \mathbf{x}_{int} = \mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil; -2^b, 2^b-1) xint=clamp(⌊sx⌉;−2b,2b−1)

坐标轴上方（蓝色）表示整数量化格，下方（黑色）表示浮点格。可以很清楚地看到，放缩因子 s s s就是量化的步长（step size）， s x i n t s\mathbf x_{int} sxint是反量化近似真实浮点数。

2.2 Power-of-two量化（2的幂）

Power-of-two量化是对称量化的特例，放缩因子被限制到2的幂， s = 2 − k s=2^{-k} s=2−k，这对硬件是高效的，因为放缩 s s s相当于简单的比特移位操作（bit-shifting）。

2.3 量化的粒度

1）Per-tensor（张量粒度）：神经网络中最常用，硬件实现简单，累加结果都用同样的放缩因子 s w s x s_ws_x swsx

2）Per-channel（通道粒度）：更细粒度以提升模型性能，比如对于权重的不同输出通道采用不同的量化

3）Per-group（分组粒度）

3 量化模拟过程/伪量化

量化模拟：为了测试神经网络在量化设备上的运行效果，我们经常在用于训练神经网络的相同通用硬件上模拟量化行为。

我们的目的：使用浮点硬件来近似的定点运算。

优势：与在实际的量化硬件上实验或在使用量化的卷积核上实验相比，这种模拟明显更容易实现

（a）在设备推理过程中，对硬件的所有输入（偏置、权重和输入激活）都是定点格式

（b）然而，当我们使用通用的深度学习框架和通用硬件来模拟量化时，这些量都是以浮点格式表示的。这就是为什么我们在计算图中引入量化器块来诱导量化效应的原因

值得注意的是：

1）每个量化器都由一组量化参数（放缩因子、零点、位宽）来定义

2）量化器的输入和输出都是浮点格式，但输出都在量化网格上

3）每个量化器都由该公式计算： x ^ = q ( x ; s , z , b ) = s ( c l a m p ( ⌊ x s ⌉ + z ; 0 , 2 b − 1 ) − z ) \mathbf{\hat x}=q(\mathbf x; s, z, b)=s(\mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil+z; 0, 2^b-1)-z) x^=q(x;s,z,b)=s(clamp(⌊sx⌉+z;0,2b−1)−z)，也就是包含了反量化过程

4）模拟量化实际上还是在浮点数上计算，模拟的其实是（截断与舍入）误差

4 基于STE的反向传播优化过程

严峻的优化问题：量化公式中中的round函数的梯度要么为零，要么到处都不定义，这使得基于梯度的训练不可能进行。一种解决方案就是采用straight-through estimator (STE）方法将round函数的梯度近似为1:
∂ ⌊ y ⌉ ∂ y = 1 \frac{\partial \lfloor y\rceil}{\partial y}=1 ∂y∂⌊y⌉=1

于是，量化的梯度就可求了，现对输入 x \mathbf x x进行求导：
∂ x ^ ∂ x = ∂ q ( x ) ∂ x = ∂ c l a m p ( ⌊ x s ⌉ ; Q N , Q P ) s ∂ x = { s ∂ Q N ∂ x = 0 , x < q m i n , s ∂ ⌊ x / s ⌉ ∂ x = s ∂ ⌊ x / s ⌉ ∂ ( x / s ) ∂ ( x / s ) ∂ x = s ⋅ 1 ⋅ 1 s = 1 , q m i n ≤ x ≤ q m a x , s ∂ Q P ∂ x = 0 , x > q m a x . = { 0 , x < q m i n , 1 , q m i n ≤ x ≤ q m a x , 0 , x > q m a x . \frac{\partial\mathbf{\hat x}}{\partial\mathbf x}=\frac{\partial q(\mathbf x)}{\partial\mathbf x}\\~~~~~~=\frac{\partial \mathrm{clamp}(\lfloor\frac{\mathbf x}{s}\rceil; Q_N, Q_P)s}{\partial\mathbf x}\\~~~~~~=\begin{cases} s\frac{\partial Q_N}{\partial \mathbf x}=0, \mathbf x < q_{min}, \\ s\frac{\partial \lfloor \mathbf x/s\rceil}{\partial \mathbf x}=s\frac{\partial \lfloor \mathbf x/s\rceil}{\partial (\mathbf x/s)}\frac{\partial (\mathbf x/s)}{\partial \mathbf x}=s\cdot 1\cdot \frac{1}{s}=1, q_{min} \leq x\leq q_{max},\\ s\frac{\partial Q_P}{\partial \mathbf x}=0, x>q_{max}. \end{cases}\\~~~~~~=\begin{cases} 0, \mathbf x < q_{min}, \\ 1, q_{min} \leq \mathbf x\leq q_{max},\\ 0, \mathbf x>q_{max}. \end{cases} ∂x∂x^=∂x∂q(x) =∂x∂clamp(⌊sx⌉;QN,QP)s =⎩ ⎨ ⎧s∂x∂QN=0,x<qmin,s∂x∂⌊x/s⌉=s∂(x/s)∂⌊x/s⌉∂x∂(x/s)=s⋅1⋅s1=1,qmin≤x≤qmax,s∂x∂QP=0,x>qmax. =⎩ ⎨ ⎧0,x<qmin,1,qmin≤x≤qmax,0,x>qmax.

也就是说，根据STE方法，当输入 x \mathbf x x在量化范围内时，其量化值对真实浮点值的梯度为1，反之为0。

对 s s s求导的数学推导过程如下文中LSQ工作所示。

下图展示了基于STE的反向传播过程，计算时有效跳过了量化器。

5 经典量化工作

Learned Step Size Quantization (ICLR 2020)

顾名思义，LSQ这篇文章就是在上述介绍的伪量化中引入可学习/训练的放缩因子 s s s。

设clamp的在 整数格 上的最大和最小值分别是 Q P = q m a x / s , Q N = q m i n / 2 Q_P=q_{max}/s, Q_N=q_{min}/2 QP=qmax/s,QN=qmin/2。

x ^ = s ( c l a m p ( ⌊ x s ⌉ ; Q N , Q P ) ) = { s Q N , x s < Q N , s ⌊ x s ⌉ , Q N ≤ x s ≤ Q P , s Q P , x s > Q P . \hat x=s(\mathrm{clamp}(\lfloor\frac{\mathbf{x}}{s}\rceil; Q_N, Q_P))\\~~~~=\begin{cases} sQ_N, \frac{\mathbf{x}}{s} < Q_N, \\ s\lfloor\frac{\mathbf{x}}{s}\rceil, Q_N \leq \frac{\mathbf{x}}{s}\leq Q_P,\\ sQ_P, \frac{\mathbf{x}}{s}>Q_P. \end{cases} x^=s(clamp(⌊sx⌉;QN,QP)) =⎩ ⎨ ⎧sQN,sx<QN,s⌊sx⌉,QN≤sx≤QP,sQP,sx>QP.

x ^ \mathbf{\hat x} x^对 s s s求导有：
∂ x ^ ∂ s = { Q N , x s < Q N , ⌊ x s ⌉ + s ∂ ⌊ x s ⌉ ∂ s , Q N ≤ x s ≤ Q P , Q P , x s > Q P . \frac{\partial\mathbf{\hat x}}{\partial s}=\begin{cases} Q_N, \frac{\mathbf{x}}{s} < Q_N, \\ \lfloor\frac{\mathbf{x}}{s}\rceil + s\frac{\partial\lfloor\frac{\mathbf{x}}{s}\rceil}{\partial s}, Q_N \leq \frac{\mathbf{x}}{s}\leq Q_P,\\ Q_P, \frac{\mathbf{x}}{s}>Q_P. \end{cases} ∂s∂x^=⎩ ⎨ ⎧QN,sx<QN,⌊sx⌉+s∂s∂⌊sx⌉,QN≤sx≤QP,QP,sx>QP.

其中， Q N , Q P , ⌊ x s ⌉ Q_N, Q_P, \lfloor\frac{\mathbf{x}}{s}\rceil QN,QP,⌊sx⌉都可以直接得到，但是 s ∂ ⌊ x s ⌉ ∂ s s\frac{\partial\lfloor\frac{\mathbf{x}}{s}\rceil}{\partial s} s∂s∂⌊sx⌉就不那么好算了。

根据STE，将round函数梯度近似为一个直通操作：
s ∂ ⌊ x s ⌉ ∂ s = s ∂ x s ∂ s = − s x s 2 = − x s s\frac{\partial\lfloor\frac{\mathbf{x}}{s}\rceil}{\partial s}=s\frac{\partial\frac{\mathbf{x}}{s}}{\partial s}=-s\frac{\mathbf x}{s^2}=-\frac{\mathbf x}{s} s∂s∂⌊sx⌉=s∂s∂sx=−ss2x=−sx

于是，得到LSQ原文中的导数值：
∂ x ^ ∂ s = { Q N , x s < Q N , ⌊ x s ⌉ − x s , Q N ≤ x s ≤ Q P , Q P , x s > Q P . \frac{\partial\mathbf{\hat x}}{\partial s}=\begin{cases} Q_N, \frac{\mathbf{x}}{s} < Q_N, \\ \lfloor\frac{\mathbf{x}}{s}\rceil - \frac{\mathbf x}{s}, Q_N \leq \frac{\mathbf{x}}{s}\leq Q_P,\\ Q_P, \frac{\mathbf{x}}{s}>Q_P. \end{cases} ∂s∂x^=⎩ ⎨ ⎧QN,sx<QN,⌊sx⌉−sx,QN≤sx≤QP,QP,sx>QP.

在LSQ中，每层的权重和激活值都有不同的 s s s，被初始化为 2 ⟨ ∣ x ∣ ⟩ Q P \frac{2\langle| \mathbf x|\rangle}{\sqrt{Q_P}} QP 2⟨∣x∣⟩。

计算 s s s的梯度时，还需要兼顾模型权重的梯度，二者差异不能过大，LSQ定义了如下比例：
R = ∇ s L s / ∣ ∣ ∇ w L ∣ ∣ ∣ ∣ w ∣ ∣ → 1 R=\frac{\nabla_sL}{s}/\frac{||\nabla_wL||}{||w||}\rightarrow1 R=s∇sL/∣∣w∣∣∣∣∇wL∣∣→1。

为了保持训练的稳定，LSQ在 s s s的梯度上还乘了一个梯度缩放系数 g g g，对于权重， g = 1 / N W Q P g=1/\sqrt{N_WQ_P} g=1/NWQP ，对于激活， g = 1 / N F Q P g=1/\sqrt{N_FQ_P} g=1/NFQP 。其中， N W N_W NW是一层中的权重的大小， N F N_F NF是一层中的特征的大小。

代码实现

参考：LSQuantization复现

python 复制代码

import torch
import torch.nn.functional as F
import math
from torch.autograd import Variable

class FunLSQ(torch.autograd.Function):
    @staticmethod
    def forward(ctx, weight, alpha, g, Qn, Qp):
        assert alpha > 0, 'alpha = {}'.format(alpha)
        ctx.save_for_backward(weight, alpha)
        ctx.other = g, Qn, Qp
        q_w = (weight / alpha).round().clamp(Qn, Qp)  # round+clamp将FP转化为int
        w_q = q_w * alpha  # 乘scale重量化回FP
        return w_q

    @staticmethod
    def backward(ctx, grad_weight):
        weight, alpha = ctx.saved_tensors
        g, Qn, Qp = ctx.other
        q_w = weight / alpha
        indicate_small = (q_w < Qn).float()
        indicate_big = (q_w > Qp).float()
        indicate_middle = torch.ones(indicate_small.shape).to(indicate_small.device) - indicate_small - indicate_big
        grad_alpha = ((indicate_small * Qn + indicate_big * Qp + indicate_middle * (
                -q_w + q_w.round())) * grad_weight * g).sum().unsqueeze(dim=0)  # 计算s梯度时的判断语句
        grad_weight = indicate_middle * grad_weight
        return grad_weight, grad_alpha, None, None, None

nbits = 4
Qn = -2 ** (nbits - 1)
Qp = 2 ** (nbits - 1) - 1
g = 1.0 / 2

2 LSQ+: Improving low-bit quantization through learnable offsets and better initialization (CVPR 2020)

LSQ+和LSQ非常相似，就放在一起讲了。LSQ在LSQ+的基础上，引入了可学习的offset，也就是零点 z z z，其定义如下：
x i n t = c l a m p ( ⌊ x − β s ⌉ ; Q N , Q P ) \mathbf x_{int}=\mathrm{clamp}(\lfloor\frac{\mathbf{x-\beta}}{s}\rceil; Q_N, Q_P) xint=clamp(⌊sx−β⌉;QN,QP)
x ^ = s x i n t + β \mathbf{\hat x}=s\mathbf x_{int}+\beta x^=sxint+β

然后按照LSQ的方式对 s , β s,\beta s,β求偏导数进行优化。

3 XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks

算是非常早期将二值（1-bit）表示引入神经网络的文章了，本文提出两种近似：

1）Binary-Weight-Network：只有权重是1-bit

对于输入 I \mathbf I I，我们用二值滤波器 B ∈ { + 1 , − 1 } \mathbf B\in \{+1, -1\} B∈{+1,−1}和一个放缩因子 α \alpha α来近似真实浮点滤波器 W \mathbf W W： W ≈ α B \mathbf W\approx \alpha \mathbf B W≈αB，于是卷积的计算可以近似为：
I ∗ W ≈ ( I ⊕ B ) α \mathbf I*\mathbf W\approx (\mathbf I\oplus \mathbf B)\alpha I∗W≈(I⊕B)α

如何优化二值权重？我们的目标是找到 W = α B \mathbf W=\alpha \mathbf B W=αB的最优估计，解决如下优化问题：
J ( B , α ) = ∣ ∣ W − α B ∣ ∣ 2 α ∗ , B ∗ = a r g m i n α , B J ( B , α ) J(\mathbf B, \alpha)=||\mathbf W-\alpha \mathbf B||^2~~~~\alpha^*, \mathbf B^*=\mathrm{argmin_{\alpha, \mathbf B}}J(\mathbf B, \alpha) J(B,α)=∣∣W−αB∣∣2 α∗,B∗=argminα,BJ(B,α)

展开后得到：

其中， B ⊤ B , W ⊤ W \mathbf B^\top \mathbf B, \mathbf W^\top \mathbf W B⊤B,W⊤W都是常数，因此优化目标集中在第二项 W ⊤ B \mathbf W^\top \mathbf B W⊤B上：

这个优化问题的解可以是使 B = + 1 ( W ≥ 0 ) , B = − 1 ( W < 0 ) \mathbf B=+1(\mathbf W\geq 0), \mathbf B=-1(\mathbf W< 0) B=+1(W≥0),B=−1(W<0)，原因是这样可以保持 W ⊤ B \mathbf W^\top \mathbf B W⊤B取最大值+1。因此，可以得到 B ∗ = s i g n ( W ) \mathbf B^*=\mathrm{sign}(\mathbf W) B∗=sign(W)。

然后，求解放缩因子 α \alpha α的最优解，我们用 J J J对 α \alpha α求偏导数：
∂ J ∂ α = 2 α B ⊤ B − 2 W ⊤ B \frac{\partial J}{\partial \alpha}=2\alpha\mathbf B^\top\mathbf B-2\mathbf W^\top \mathbf B ∂α∂J=2αB⊤B−2W⊤B

当偏导数等于0时，可求解：
α ∗ = W ⊤ B B ⊤ B = W ⊤ B n \alpha^*=\frac{\mathbf W^\top \mathbf B}{\mathbf B^\top \mathbf B}=\frac{\mathbf W^\top \mathbf B}{n} α∗=B⊤BW⊤B=nW⊤B

其中，令 n = B ⊤ B n=\mathbf B^\top \mathbf B n=B⊤B，此时的 B \mathbf B B代入 B ∗ \mathbf B^* B∗，于是：
α ∗ = W ⊤ B n = W ⊤ s i g n ( W ) n = ∑ ∣ W ∣ n = 1 n ∣ ∣ W ∣ ∣ 1 \alpha^*=\frac{\mathbf W^\top \mathbf B}{n}=\frac{\mathbf W^\top \mathrm{sign}(\mathbf W)}{n}=\frac{\sum |\mathbf W|}{n}=\frac{1}{n}||\mathbf W||_1 α∗=nW⊤B=nW⊤sign(W)=n∑∣W∣=n1∣∣W∣∣1

其中， ∣ ∣ ⋅ ∣ ∣ 1 ||\cdot||_1 ∣∣⋅∣∣1表示 ℓ 1 \ell_1 ℓ1-norm，即对矩阵中的所有元素的绝对值求和。

总结

二值权重/滤波器的最优估计是权重的符号函数值，放缩因子的最优估计是权重的绝对值平均值。

训练过程

需要注意的是，反向传播计算梯度用的近似的权重 W ~ \tilde W W~，而真正被更新的权重应该是真实的高精度权重 W W W。

2）XNOR-Networks：权重和激活值都是1-bit，乘法全部简化为异或计算

二值dot product计算
X ⊤ W ≈ β H ⊤ α B \mathbf X^\top W\approx \beta \mathbf H^\top \alpha \mathbf B X⊤W≈βH⊤αB，其中， H , B ∈ { − 1 , + 1 } , β , α ∈ R + \mathbf H, \mathbf B\in \{-1, +1\}, \beta, \alpha\in\mathbb R^+ H,B∈{−1,+1},β,α∈R+，优化目标如下：

令 Y = X W , C ∈ { − 1 , + 1 } , C = H B , γ = α β \mathbf Y=\mathbf X \mathbf W, \mathbf C\in \{-1, +1\}, \mathbf C=\mathbf H \mathbf B, \gamma=\alpha\beta Y=XW,C∈{−1,+1},C=HB,γ=αβ，于是优化目标简化为：

根据Binary-Weight-Network，通过符号函数可以求解最优的二值激活值和权重：

同理，根据，通过 ℓ 1 \ell_1 ℓ1-norm可以求解最优的放缩因子：

二值卷积计算

对于输入 I \mathbf I I，首先计算 A = ∑ ∣ I : , : , i ∣ c \mathbf A=\frac{\sum |\mathbf I_{:, :, i}|}{c} A=c∑∣I:,:,i∣，其中 c c c是输入通道数，这个过程计算了跨通道的输入 I \mathbf I I中元素的绝对值的平均值。然后将 I \mathbf I I和一个2D滤波器 k ∈ R w × h \mathbf k\in \mathbb R^{w\times h} k∈Rw×h做卷积， K = A ∗ k , k i j = 1 w h \mathbf K=\mathbf A * \mathbf k, \mathbf k_{ij}=\frac{1}{wh} K=A∗k,kij=wh1。 K \mathbf K K中包含了 I \mathbf I I中左右子张量的放缩因子 β \beta β。

于是，卷积的近似计算如下：

其中， ⊛ \circledast ⊛表示XNOR+bitcount操作。

代码参考：XNOR-Net-PyTorch

符号函数直接通过sign函数实现：

python 复制代码

input = input.sign()

参考资料

量化训练之可微量化参数---LSQ
A White Paper on Neural Network Quantization