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:
- 校准数据集的作用
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}}
- 校准的过程
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。
- 校准数据的重要性
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 的优化
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。