rknn 量化原理 - 技术栈

在 RKNN (Rockchip Neural Network Toolkit) 中，传入校准数据集进行量化的过程是基于 Post-Training Quantization (PTQ) 的原理，特别是对于 8-bit 量化（INT8）模型，这是一个常见的过程。以下是其基本原理和流程：

校准数据集是用于确定模型中每一层权重和激活值的动态范围的。量化将浮点数值（通常是 FP32）映射到整数值（如 INT8）。这种映射需要知道数值范围，从而计算缩放因子（scale）和零点（zero point）。

• 激活量化：

需要了解每一层输出的最小值和最大值，以便将浮点范围映射到 INT8 范围（通常是 -128 到 127）。

• 权重量化：

类似地，权重的动态范围也需要确定，以便正确映射到 INT8。

校准数据集通过多次推理，统计这些范围信息，从而为后续量化提供准确的参考。

量化的基本公式
\text{int8_value} = \text{round}\left(\frac{\text{float_value} - \text{zero_point}}{\text{scale}}\right)

量化映射关系可表示为：

• Scale: 用于表示浮点数到整数的缩放因子。

• Zero Point: 用于调整量化范围与浮点范围的对齐。

通过校准数据集，可以统计每一层的输出范围（min 和 max），然后计算缩放因子和零点：

\text{scale} = \frac{\text{max_float} - \text{min_float}}{255} \quad \text{（对称量化）}

或者：

\text{scale} = \frac{\text{max_float} - \text{min_float}}{256}, \quad \text{zero_point} = -\frac{\text{min_float}}{\text{scale}}

校准过程分以下几步：

(1) 数据准备

传入校准数据集，这些数据应该能覆盖模型运行时的典型输入分布，通常是训练数据的一个子集或相似分布的数据。

(2) 模型推理

使用校准数据集对模型进行推理，统计每一层激活值和权重的分布情况。

(3) 统计范围

根据推理过程中收集的激活值分布，找到每一层输出的动态范围（min 和 max）。这通常使用以下方法：

• Min-Max 统计: 直接记录每一层激活的最小值和最大值。

• KL 散度: 比较量化分布和浮点分布的差异，选择一个最佳范围。

(4) 计算缩放参数

根据统计的动态范围计算 scale 和 zero point，用于后续量化。

(5) 替换浮点运算

将模型中的浮点计算替换为整数计算（例如使用 INT8 加法和乘法），并用校准得到的量化参数调整权重和激活。

校准数据集的质量直接影响量化模型的准确性。原因是：

• 不同分布的校准数据可能导致量化参数与实际推理数据分布不匹配。

• 数据覆盖度不足（如仅覆盖某些输入模式）可能导致模型某些部分的动态范围被低估。

因此，选择校准数据时需尽可能贴近实际推理场景。

RKNN 在量化过程中可能采用了一些优化技术：

• 混合量化：如果某些层量化损失较大，可能保留这些层为 FP32 或使用 FP16。

• 改进的动态范围估计：比如使用 KL 散度方法或其他启发式统计技术来更好地捕捉分布。

总结

RKNN 的量化通过校准数据集来统计动态范围，计算量化参数（scale 和 zero point），并将模型权重和激活映射到整数值，从而减少推理时的计算复杂度和存储需求。这种方法依赖校准数据集的代表性和框架的量化策略优化。