一些量化(quantization)技巧
对象：对权重量化，对特征图量化(神经元输出)，对梯度量化(训练过程中)
过程：在inference网络前传，在训练过程(反传)
一步量化(仅对权重量化)，
两步量化(对神经元与特征图量化，第一步先对feature map进行量化，第二步再对权重量化)。
32位浮点和16位浮点存储的时候，
第一位是符号位，中间是指数位，后面是尾数。
英特尔在NIPS2017上，提出了把前面的指数项共享的方法。
这样可以把浮点运算，转化为尾数的整数定点运算，加速网络训练。分布式训练梯度量化：对权重数值进行聚类，量化的思想非常简单。
CNN参数中数值分布在参数空间，
通过一定的划分方法，总是可以划分称为k个类别。
通过储存这k个类别的中心值，或者映射值，压缩网络的储存。
量化可以分为
Low-Bit Quantization(低比特量化)、
Quantization for General Training Acceleration(总体训练加速量化)和
Gradient Quantization for Distributed Training(分布式训练梯度量化)。
由于在量化、特别是低比特量化实现过程中，由于量化函数的不连续性，在计算梯度的时候，会产生一定的困难。
对此，阿里巴巴把低比特量化，转化成ADMM可优化的目标函数，从而由ADMM来优化。
另一个角度思考，使用哈希把二值权重量化，再通过哈希求解。
用聚类中心数值，代替原权重数值，配合Huffman编码，具体可包括标量量化或乘积量化。
如果只考虑权重自身，容易造成量化误差很低，但分类误差很高的情况。
Quantized CNN优化目标是重构误差最小化。
可以利用哈希进行编码，映射到同一个哈希桶中的权重，共享同一个参数值。聚类例子：
例如下面这个矩阵。
1.2 1.3 6.1 0.9 0.7 6.9 -1.0 -0.9 1.0设定类别数k=3，通过kmeans聚类。得到：
A类中心：1.0 ,映射下标：1
B类中心：6.5 ,映射下标：2
C类中心：-0.95 ,映射下标：3
储存矩阵可以变换为(距离哪个中心近，就用中心的下标替换)：
1 1 2 1 1 2 3 3 1提出需要对量化后的值进行重训练，挽回一点丢失的识别率。
基本上所有压缩方法都有损，重训练还是比较必要的。深度神经网络压缩 Deep Compression
为了进一步压缩网络，考虑让若干个权值共享同一个权值，需要存储的数据量也大大减少。
采用kmeans算法来将权值进行聚类，在每一个类中，所有的权值共享该类的聚类质心，
最终存储一个码书和索引表。
1.对权值聚类
采用kmeans聚类算法，通过优化所有类内元素，到聚类中心的差距（within-cluster sum of squares ），确定最终的聚类结果。
2. 聚类中心初始化
常用的初始化，包括3种：
a) 随机初始化。
即从原始数据，随机产生k个观察值，作为聚类中心。
b) 密度分布初始化。
现将累计概率密度CDF的y值，分布线性划分，
根据每个划分点的y值，找到与CDF曲线的交点，再找到该交点对应的x轴坐标，作为初始聚类中心。
c) 线性初始化。
将原始数据的最小值到最大值之间的线性划分，作为初始聚类中心。
三种初始化方式的示意图，如下所示：
由于大权值比小权值更重要（参加HanSong15年论文），线性初始化方式，能更好地保留大权值中心，文中采用这一方式，后面的实验结果，验证了这个结论。
3. 前向反馈和后项传播
前向时需要将每个权值，用对应的聚类中心代替，后向计算每个类内的权值梯度，
将梯度和反传，用来更新聚类中心。
如图：
共享权值后，就可以用一个码书和对应的index来表征。
假设原始权值用32bit浮点型表示，量化区间为256，即8bit，共有n个权值，量化后需要存储n个8bit索引和256个聚类中心值，可以计算出压缩率compression ratio:
r = 32*n / (8*n + 256*32 )≈4
如果采用8bit编码，至少能达到4倍压缩率。
参考链接：