了解 tf.contrib.lite.TFLiteConverter 量化参数

Question

我在将 tensorflow 模型转换为 tflite 模型时尝试使用 UINT8 量化：

如果使用post_training_quantize = True，模型大小比原始 fp32 模型小 x4，所以我假设模型权重是 uint8，但是当我加载模型并通过 interpreter_aligner.get_input_details()[0]['dtype'] 获取输入类型时，它是 float32。量化模型的输出与原始模型大致相同。

converter = tf.contrib.lite.TFLiteConverter.from_frozen_graph(
        graph_def_file='tflite-models/tf_model.pb',
        input_arrays=input_node_names,
        output_arrays=output_node_names)
converter.post_training_quantize = True
tflite_model = converter.convert()

转换模型的输入/输出：

print(interpreter_aligner.get_input_details())
print(interpreter_aligner.get_output_details())
[{'name': 'input_1_1', 'index': 47, 'shape': array([  1, 128, 128,   3], dtype=int32), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]
[{'name': 'global_average_pooling2d_1_1/Mean', 'index': 45, 'shape': array([  1, 156], dtype=int32), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]

另一种选择是明确指定更多参数： 模型大小比原始 fp32 模型小 x4，模型输入类型为 uint8，但模型输出更像垃圾。

converter = tf.contrib.lite.TFLiteConverter.from_frozen_graph(
        graph_def_file='tflite-models/tf_model.pb',
        input_arrays=input_node_names,
        output_arrays=output_node_names)
converter.post_training_quantize = True
converter.inference_type = tf.contrib.lite.constants.QUANTIZED_UINT8
converter.quantized_input_stats = {input_node_names[0]: (0.0, 255.0)}  # (mean, stddev)
converter.default_ranges_stats = (-100, +100)
tflite_model = converter.convert()

转换模型的输入/输出：

[{'name': 'input_1_1', 'index': 47, 'shape': array([  1, 128, 128,   3], dtype=int32), 'dtype': <class 'numpy.uint8'>, 'quantization': (0.003921568859368563, 0)}]
[{'name': 'global_average_pooling2d_1_1/Mean', 'index': 45, 'shape': array([  1, 156], dtype=int32), 'dtype': <class 'numpy.uint8'>, 'quantization': (0.7843137383460999, 128)}]

所以我的问题是：

1. 仅设置post_training_quantize = True 时会发生什么？即为什么第一种情况可以正常工作，但第二种情况不行。
2. 如何估计第二种情况的均值、标准差和范围参数？
3. 看起来在第二种情况下模型推理更快，这取决于模型输入是 uint8 的事实吗？
4. 第一种情况下的'quantization': (0.0, 0) 和第二种情况下的'quantization': (0.003921568859368563, 0),'quantization': (0.7843137383460999, 128) 是什么意思？
5. converter.default_ranges_stats 是什么？

更新：

问题4的答案找到What does 'quantization' mean in interpreter.get_input_details()?

Answer 1

仅设置 post_training_quantize = True 时会发生什么？即为什么第一种情况可以正常工作，但第二种情况不行。

在 TF 1.14 中，这似乎只是量化了存储在磁盘上的 .tflite 文件中的权重。这本身不会将推理模式设置为量化推理。

即，您可以拥有一个推理类型为 float32 的 tflite 模型，但模型权重被量化（使用 post_training_quantize=True）以减小磁盘大小，并在运行时更快地加载模型。

如何估计第二种情况的均值、标准差和范围参数？

文档让很多人感到困惑。让我解释一下我在研究后得出的结论：

1. 不幸的是，量化参数/统计在 TF 库和文档中具有 3 个等效形式/表示：
   • 答）(mean, std_dev)
   • B) (zero_point, scale)
   • C)(min,max)
2. 从 B) 和 A) 转换：
   • std_dev = 1.0 / scale
   • mean = zero_point
3. 从 C) 到 A) 的转换：
   • mean = 255.0*min / (min - max)
   • std_dev = 255.0 / (max - min)
   • 说明：量化统计是用于将范围（0,255）映射到任意范围的参数，可以从min / std_dev + mean = 0和max / std_dev + mean = 255这2个方程开始，然后按照数学得出上述转换公式李>
4. 从 A) 到 C) 的转换：
   • min = - mean * std_dev
   • max = (255 - mean) * std_dev
5. 命名“mean”和“std_dev”令人困惑，在很大程度上被视为用词不当。

回答您的问题：，如果您的输入图像有：

• 范围 (0,255) 然后mean = 0, std_dev = 1
• 范围 (-1,1) 然后mean = 127.5, std_dev = 127.5
• 范围 (0,1) 然后mean = 0, std_dev = 255

看起来在第二种情况下模型推理更快，是否取决于模型输入是 uint8 的事实？

是的，可能。但是，除非您使用特定硬件的矢量化指令，否则量化模型通常较慢。 TFLite 已针对运行 ARM 处理器的专用指令进行了优化。从 TF 1.14 或 1.15 开始，如果您在本地机器 x86 Intel 或 AMD 上运行它，那么如果量化模型运行得更快，我会感到惊讶。 [更新：在 TFLite 的路线图中添加对 x86 矢量化指令的一流支持，以使量化推理比浮点更快]

第一种情况下的“量化”：(0.0, 0) 和第二种情况下的“量化”：(0.003921568859368563, 0)，“量化”：(0.7843137383460999, 128) 是什么意思？

这里的格式是quantization: (scale, zero_point)

在第一种情况下，您只激活了post_training_quantize=True，这不会使模型运行量化推理，因此无需将输入或输出从浮点数转换为 uint8。因此这里的量化统计本质上是null，表示为(0,0)。

在第二种情况下，您通过提供 inference_type = tf.contrib.lite.constants.QUANTIZED_UINT8 激活了量化推理。所以你有输入和输出的量化参数，在进入模型的过程中将你的浮点输入转换为 uint8，在输出的过程中将 uint8 输出转换为浮点输出。

• 在输入时，进行转换：uint8_array = (float_array / std_dev) + mean
• 在输出时，进行转换：float_array = (uint8_array.astype(np.float32) - mean) * std_dev
• 注意 .astype(float32) 这是在 python 中获得正确计算所必需的
• 请注意，其他文本可能使用scale 而不是std_dev，因此除法将变为乘法，反之亦然。

这里的另一个令人困惑的事情是，即使在转换过程中您指定了quantization_stats = (mean, std_dev)，get_output_details 也会返回quantization: (scale, zero_point)，不仅形式不同（比例与 std_dev）而且顺序也不同！

现在要了解您为输入和输出获得的这些量化参数值，让我们使用上面的公式来推断输入和输出的实际值 ((min,max)) 的范围。使用上面的公式我们得到：

• 输入范围：min = 0, max=1（是你通过提供quantized_input_stats = {input_node_names[0]: (0.0, 255.0)} # (mean, stddev)指定的）
• 输出范围：min = -100.39, max=99.6

Answer 2

1) 见documantation。简而言之，这种技术可以让您获得一个量化的 uint8 图形，其工作精度接近原始图形，并且不需要进一步训练量化模型。但是，速度明显低于使用conventional 量化的情况。

2) 如果您的模型已经使用标准化的 [-1.0, 1.0] 输入进行训练，您应该设置converter.quantized_input_stats = {input_node_names[0]: (128, 127)}，之后输入张量的量化将接近(0.003921568859368563, 0)。 mean 是从 0 到 255 的整数值，映射到浮点 0.0f。 std_dev 是 255 / (float_max - float_min)。这将解决一个可能的问题

3) Uint8 神经网络推理大约快 2 倍（基于设备），然后是 float32 推理