感觉深度学习在移动端的全面开花就在这两年了，其实感觉已经开始开花了。
先说说量化是怎么一回事，目前我们在caffe, tensorflow等框架上训练模型（前向和反向）都是使用float 32的，与int 8相比，所需储存空间更大，但是精度更好。
量化目前来讲，有两种方式，一种是通过训练量化finetune原来的模型，另一种是直接对模型和计算进行量化。这篇文章先来讲不使用finetune，直接对训练完毕的模型进行进行量化。
在深度学习中，对float 32进行int 8量化，使其模型尺寸更小、推断更快、耗电更低。唯一的缺点，模型精度会下降。
先比较一下，float 32 和 int 8有什么区别
Dynamic Range（两种数据类型的数值范围）
FP32 -3.4 x 10^38 ~ +3.4 x 10^38
INT8 -128 ~ +127
其实量化过程很简单，更高精度的向低精度的范围进行映射。
当bias=0时，就是正负对称做的一个对称的量化
图片来自于《8-bit inference with tensor RT》，版权归nvidia所有
在量化过程中，又可以分两个部分，一是模型参数weights，模型一般可以直接使用No saturation的方式直接进行量化， .
另一部分就是计算过程中的值的量化activations，这部分我们就选择Saturate的方法，这种方法就有一个阈值选择的过程。
在《8-bit inference with tensor RT》 文章中，对threshold的选择使用的是相对熵(kl divergence)，在离散情况下的相对熵
在一个验证数据集上，以一个batch为例，对该batch的每一层计算频率直方图（FP32 histogram H with 2048 bins: bin[ 0 ], ..., bin[ 2047 ]）
图片来自于《8-bit inference with tensor RT》版权归nvidia所有
当然在这片文章中的量化方法还是比较简单的，对于Resnet、googlenet之类的比较复杂的网络，效果还是不错的，精度损失的比较小，但是对于mobilenet、shufflenet之类的本身比较精简的网络精度损失还是比较明显的，特别是应用在检测网络架构中的时候。
另外一篇google的文章《Quantizing deep convolutional networks for efficient inference: A whitepaper》。这篇论文是在上述的量化方法上进行优化的，对上面的方法有两个方面的补充。
首先提出了一个对称量化和非对称量化的概念，即在公式（1）中的bias，在nvidia的文章中，bias=0（在他的文章中提到并不需要偏置）就是对称量化的概念，0量化后还是0； 的情况就是非对称量化，但是这其中需要注意的是bias的需要是整型，因为在深度学习的模型中，有太多的0-padding存在了，若是bias非整型，那么在量化过程中会有大量的数值0的精度收到损失。
第二个提出了逐层量化和逐通道量化的概念，从字面非常容易理解两个量化的区别，我们也看到在nvidia的方法中使用了逐层量化的方法，每一层采用同一个阈值来进行量化。逐通道量化就是对每一层每个通道都有各自的阈值，对精度有一个很好的提升。
对量化是阈值的选取计算，这篇文章采用了更简单的方法。对于权重，使用实际的最大和最小值来决定量化参数。对于激活输出，使用跨批（batches）的最大和最小值的滑动平均值来决定量化参数。
最后来看一下效果，文章中只有分类网络，对于检测网络的精度下降的结果，还在实验中。
图片来自于《Quantizing deep convolutional networks for efficient inference: A whitepaper》版权归google所有
还有训练中的量化，之后的文章再讲。
