后训练量化（
PTQ）在视觉Transformer（ViTs）领域引起了广泛关注，因为它在模型压缩方面表现出了高效率。然而，现有的方法通常忽视了量化权重和激活之间复杂的相互依赖关系，导致了相当大的量化误差。论文提出了一种名为ERQ的两步PTQ方法，精心设计用于顺序降低激活和权重量化带来的量化误差。ERQ首先引入了激活量化误差减小（Aqer），将激活量化误差的最小化策略性地表述为一个岭回归问题，并通过使用全精度更新权重来解决。随后，ERQ引入了权重量化误差减小（Wqer），采用迭代的方法来减轻由权重量化引起的量化误差。在每次迭代中，采用经验推导出的有效代理来细化量化权重的舍入方向，并结合岭回归求解器以减少权重量化误差。实验结果证明了该方法的有效性。值得注意的是，ERQ在W3A4 ViT-S的准确性上超越了最先进的GPTQ，提升幅度达22.36%。来源：晓飞的算法工程笔记 公众号，转载请注明出处
论文: ERQ: Error Reduction for Post-Training Quantization of Vision Transformers
- 论文地址：https://arxiv.org/abs/2407.06794
Introduction
视觉Transformer（ViTs）显著挑战了卷积神经网络（CNNs），成为计算机视觉领域的新范式。ViTs利用多头自注意力（MHSA）机制来捕捉图像块之间的长距离关系，在各种视觉任务中展现出令人印象深刻的进展。
然而，强大的能力伴随着相当的复杂性。ViTs固有的架构复杂性导致了高计算需求和可观的内存要求，这在资源受限的环境中部署时带来了挑战。为了缓解这一困境，模型量化吸引了业界和学术界的持续关注。量化通过实现权重和激活的低位表示来减少模型复杂性，为高效部署提供了一条有前景的途径。最近，研究人员逐渐关注于视觉Transformer的后训练量化（PTQ），该方法旨在利用一个小型校准数据集和较低的成本对模型进行量化。
为了适应ViTs独特的结构，已经许多研究探索了各种后训练量化（PTQ）方法。例如，为了处理长尾post-Softmax激活，有研究提出了 \(log2/log \sqrt{2}\) 量化器和twin uniform量化器。为了管理高度变化的激活，有研究采用了重参数化技术和power-of-two因子。此外，有研究采用进化搜索方法来确定不稳定的缩放因子。然而，现有的方法通常忽视了权重和激活量化之间复杂的相互依赖关系，这在权重-激活量化时导致了相当大的量化误差。
论文提出一种为ViTs量身定制的两步后训练量化方法ERQ，旨在顺序减小由量化激活和权重引起的量化误差。如图1所示，ERQ由两个步骤组成，即激活量化误差减少（Aqer）和权重量化误差减少（Wqer）。Aqer将激活量化引起的量化误差公式化为一个岭回归问题，该问题可以通过权重更新以闭式解的方式解决。随后，引入Wqer以迭代的量化和修正方式减小由权重量化引起的量化误差。特别地，在每次迭代中，量化全精度权重的前半部分，并通过先执行四舍五入细化，后再次解决岭回归问题来减小产生的量化误差。前者推导出输出误差的有效代理，用于细化量化权重的四舍五入方向，以降低量化误差。后者则通过更新剩余的全精度权重进一步减小量化误差。这样的过程持续进行，直到所有权重被准确量化。
ERQ在对各种ViTs变体（ViT、DeiT和Swin）及任务（图像分类、目标检测和实例分割）进行的广泛实验中证明了其有效性。值得注意的是，在图像分类任务中，ERQ在W3A4 ViT-S上比GPTQ的性能提高了22.36%。
Method
相互纠缠的 \(\delta{\mathbf{x}}\) 和 \(\delta\mathbf{W}\) 使得找到公式 4 的最优解变得具有挑战性。为使问题变得可处理，将公式 4放宽为两个顺序的子问题，通过分别最小化来自量化激活和权重的误差。如图1所示，首先进行激活量化误差减少 (Aqer)，然后进行权重量化误差减少 (Wqer)。
Activation Quantization Error Reduction
为减轻由激活量化引起的误差，引入激活量化误差减少 (Aqer)，将误差减轻问题形式化为岭回归问题。具体来说，将权重保留为全精度，仅考虑由激活量化误差 \(\delta{\mathbf{x}}\) 引起的均方误差 (MSE)：
为了最小化公式 5，将其形式化为岭回归问题，其中通过将权重 \(\mathbf{W}\) 与调整项 \(\delta\mathbf{W}^*\) 相加来完成最小化：
这里， \(\delta\mathbf{W}^*\) 表示通过岭回归计算出的调整项， \(\bar{\mathbf{x}}=\mathbf{x}+\delta\mathbf{x}\) 是量化输入， \(\lambda_1\| \delta\mathbf{W}^* \|_2^2\) 作为正则化项， \(\lambda_1\) 是控制正则化强度的超参数。公式6构成了岭回归问题。为了最小化它，首先计算其相对于 \(\delta\mathbf{W}^*\) 的梯度：
然后，通过将公式 7设置为零来求解 \(\delta\mathbf{W}^*\) ：
正则化项 \(\lambda_1 \mathbf{I}\) 确保 \(\mathbb{E} \left[\bar{\mathbf{x}}\bar{\mathbf{x}}^T \right] + \lambda_1 \mathbf{I}\) 的逆始终存在，这对计算稳定性至关重要。此外，它抑制了异常值，从而减轻了过拟合，提高了模型的泛化能力。抑制异常值对于随后的权重量化也至关重要，因为它限制了权重的范围。这种限制防止量化点分布在未覆盖的区域，从而增强了量化的表达能力。
在实践中，给定校准数据集，使用 \(\frac{1}{N}\sum_n^N \delta{\mathbf{x}}_n\bar{\mathbf{x}}_n^T\) 和 \(\frac{1}{N}\sum_n^N \bar{\mathbf{x}}_n\bar{\mathbf{x}}_n^T\) 分别估计 \(\mathbb{E}\left[\delta{\mathbf{x}}\bar{\mathbf{x}}^T\right]\) 和 \(\mathbb{E}\left[\bar{\mathbf{x}}\bar{\mathbf{x}}^T \right]\) 。这里， \(N = B\times T >> D_{in}^s\) ，其中 \(B\) 是校准数据集的大小， \(T\) 是一张图像的标记数量。请注意， \(\delta{\mathbf{x}}\) 和 \(\bar{\mathbf{x}}\) 是在给定输入和量化参数的情况下确定的。在得到 \(\delta\mathbf{W}^*\) 后，通过 \(\mathbf{W} = \mathbf{W} + \delta\mathbf{W}^*\) 将其合并到网络的权重中。通过这样做，所提出的Aqer明确减轻了从量化激活到权重的量化误差。
Weight Quantization Error Reduction
在进行Aqer后需执行权重量化，提出权重量化误差减少（Wqer）来减轻由此产生的量化误差。在这里，目标被定义为：
注意，在进行Aqer后，激活值被量化。公式9表明输出通道之间的最小化是独立进行的。因此，分别分析每个 \(\mathcal{L}^{\text{MSE}}_i\) 的最小化。同时对整个全精度权重进行量化会导致无法恢复的量化误差。因此，采用迭代的量化和修正方法，逐步减少由权重量化引起的量化误差。
在每次迭代中，首先对未量化权重的前半部分进行量化，然后减轻由此产生的量化误差。具体来说，从当前的全精度权重 \(\mathbf{W}_{i,:}\) 和相应的 \(\bar{\mathbf{x}}\) 开始。然后，将 \(\mathbf{W}\) 划分为两个部分：前半部分 \(\mathbf{W}^s_{i,:} \in \mathbb{R}^{ 1\times D_{in}^s}\) 用于量化，而剩余部分 \(\mathbf{W}^r_{i,:} \in \mathbb{R}^{1 \times D_{in}^r}\) 保持全精度。对应地，从 \(\bar{\mathbf{x}}\) 中派生出 \(\bar{\mathbf{x}}^s \in \mathbb{R}^{D_{in}^s}\) 和 \(\bar{\mathbf{x}}^r \in \mathbb{R}^{D_{in}^r}\) ，其中 \(\bar{\mathbf{x}}^s\) 和 \(\bar{\mathbf{x}}^r\) 分别包含与 \(\mathbf{W}^s_{i,:}\) 和 \(\mathbf{W}^r_{i,:}\) 对应的 \(\bar{\mathbf{x}}\) 的行。量化后的 \(\mathbf{W}^s_{i,:}\) 的量化误差记为 \(\delta\mathbf{W}^s_{i,:} = \bar{\mathbf{W}}^s_{i,:} - \mathbf{W}^s_{i,:}\) ，由此产生的均方误差（MSE）为：
在这里， \(\mathbf{W}_{i,:} = [ \mathbf{W}^s_{i,:},\mathbf{W}^r_{i,:} ]\) ， \(\bar{\mathbf{x}} = [ \bar{\mathbf{x}}^s, \bar{\mathbf{x}}^r ]\) 。为了减轻公式10，首先引入四舍五入优化（Rounding Refinement），在该过程中会细化量化权重的四舍五入方向。比如调整 \(\delta\mathbf{W}^s_{i,:}\) ，以减少 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 本身。然后，在四舍五入优化之后，给定 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) ，构建一个岭回归（Ridge Regression）问题，通过调整 \(\mathbf{W}^r_{i, :}\) 来进一步减轻该误差。
Rounding Refinement
最初，目标是调整量化权重的四舍五入方向，以最小化 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 。具体来说，对于 \(\mathbf{W}^s_{i,:}\) 中的第 \(j\) 个值，记作 \(\mathbf{W}^s_{i,j}\) ，量化过程涉及向下取整或向上取整。因此， \(\mathbf{W}^s_{i,:}\) 的量化误差，记作 \(\delta\mathbf{W}^s_{i,j}\) ，可以表示为 \(\delta\mathbf{W}^{s\downarrow}{i, j}\) 或 \(\delta\mathbf{W}^{s\uparrow}{i, j}\) 。这里， \(\delta\mathbf{W}^{s\downarrow}_{i, j} = \mathbf{W}^s_{i,j} - \text{Q}_{un\downarrow}(\mathbf{W}^s_{i,j}, b) > 0\) 表示采用向下取整策略所产生的误差， \(\delta\mathbf{W}^{s\uparrow}_{i, j} = \mathbf{W}^s_{i,j} - \text{Q}_{un\uparrow}(\mathbf{W}^s_{i,j}, b) < 0\) 表示采用向上取整策略所产生的误差，其中 \(\downarrow/\uparrow\) 表示在公式1中将 \(\left\lfloor \cdot \right\rceil\) 替换为 \(\left\lfloor \cdot \right\rfloor\) / \(\left\lceil \cdot \right\rceil\) 。
选择 \(\delta\mathbf{W}^s_{i,:}\) 是一个NP难题，其解可以通过混合整数二次规划（MIPQ）进行搜索。然而， \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 的高计算复杂度使得在合理时间内找到解决方案成为一项挑战。如表1所示，使用 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 作为MIPQ的目标消耗了约130小时的巨大时间成本。
-
Efficient Proxy
因此，目标是找到 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 的一个高效代理。首先，将 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 重写为：
这里， \(\Delta\) 表示利用 \(\mathbb{E}\left[ Z^2 \right] = (\mathbb{E}\left[ Z \right])^2 + \text{Var}\left[ Z \right]\) 。
根据中心极限定理，神经网络中的大量乘法和加法运算使得激活值通常呈现出高斯分布，这也是许多以前量化领域研究的基本假设。同时，图2展示了全精度和量化激活的通道分布。可以看出，量化激活仍然表现出近似的高斯分布。
因此，论文认为 \(\bar{\mathbf{x}}^s\) 的通道分布仍然可以通过高斯分布进行捕捉，并用 \(D_{in}^s\) 维的高斯分布 \(\mathcal{N}(\boldsymbol{\mu}^s, \boldsymbol{\Sigma}^s)\) 对 \(\bar{\mathbf{x}}^s\) 进行建模，其中 \(D_{in}^s\) 是 \(\bar{\mathbf{x}}^s\) 的维度， \(\boldsymbol{\mu}^s \in \mathbb{R}^{D_{in}^s}, \boldsymbol{\Sigma}^s \in \mathbb{R}^{D_{in}^s \times D_{in}^s}\) 。然后，公式11变为：
这里，公式12是得到的 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 的代理。在实践中，使用给定的校准数据集来估计经验值 \(\hat{\boldsymbol{\mu}}^s\) 和 \(\hat{\boldsymbol{\Sigma}}^s\) 。请注意，对于所有输出通道， \(\hat{\boldsymbol{\mu}}^s\) 和 \(\hat{\boldsymbol{\Sigma}}^s\) 是共享的，只需进行一次计算。
图3展示了代理与 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 之间的关系。可以看出，所提出的代理与真实值成比例，证明了其可信度。
使用代理的计算复杂度为 \(O((D_{in}^s)^2)\) ，而 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) 的复杂度为 \(O(ND_{in}^s)\) ，其中 \(N >> D_{in}^s\) 。因此，该代理可以作为一个低成本的目标，用于求解 \(\delta\mathbf{W}^s_{i,:}\) 。如表1所示，将方程12作为MIPQ的目标将时间成本从约130小时降低到约10小时。然而，由于当前开源的MIPQ实现仅支持CPU，无法充分利用GPU的能力，这样的成本仍然是适度的。接下来将介绍Rounding Refinement，一种支持GPU的方法，利用代理的梯度更快地调整 \(\delta\mathbf{W}^s_{i,:}\) 。
-
Rounding Refinement
首先，使用最接近取整策略初始化 \(\delta\mathbf{W}^s_{i,j}\) 。此时， \(\delta\mathbf{W}^s_{i,j}\) 要么等于 \(\delta\mathbf{W}^{s\downarrow}_{i, j}\) ，要么等于 \(\delta\mathbf{W}^{s\uparrow}_{i, j}\) 。然后，目标是确定一个索引集合 \(\mathcal{S}\) ，该集合包含需要修改的元素的索引集合，其取整方向被颠倒：
为了确定 \(\mathcal{S}\) ，首先对代理（公式12）相对于 \(\delta\mathbf{W}^s_{i,:}\) 求导。
只选择梯度符号相同的元素，因为这才是允许颠倒的唯一方式。例如，当 \(\delta\mathbf{W}_{i, j}^s = \delta\mathbf{W}^{s\downarrow}_{i, j}\) 时，仅当 \(\boldsymbol{G}_{\delta\mathbf{W}_{i, j}^s}\) 与 \(\delta\mathbf{W}_{i, j}^s\) 具有相同的符号时，才能将其替换为 \(\delta\mathbf{W}^{s\uparrow}_{i, j}\) 。因此，索引集合 \(\mathcal{S}\) 定义为：
这里， \(\mathrm{topk\_index}\) 返回前 \(\mathrm{k}\) 个元素的索引， \(\mathbb{1}(\cdot)\) 对于非负输入返回1，对负输入返回0， \(\lvert \cdot \rvert\) 返回输入的绝对值。
在获得 \(\mathcal{S}\) 后，通过公式13进行颠倒。上述过程会迭代，直到调整后的 \(\delta\mathbf{W}^s_{i, :}\) 引发更大的代理值或达到最大迭代次数。在获得 \(\delta\mathbf{W}^s_{i, :}\) 后，量化可以通过 \(\bar{\mathbf{W}}^s_{i, :} = \mathbf{W}^s_{i, :}+\delta\mathbf{W}^s_{i, :}\) 完成。然后，将 \(\bar{\mathbf{W}}^s_{i, :}\) 添加到量化权重集合中。Rounding Refinement的整体过程在算法1的第7行到第18行中给出。如表1所示，Rounding Refinement通过 \(150\times\) 的成本显著减少了时间开销，从10小时减少到4分钟，同时可接受的准确性损失。
-
Ridge Regression
在Rounding Refinement之后，建议用 \(\delta\mathbf{W}^{r*}_{i, :}\) 调整 \(\mathbf{W}^r_{i, :}\) ，以进一步抵消 \(\mathbb{E} \left[ \| \delta\mathbf{W}^s_{i,:}\bar{\mathbf{x}}^s \|_2^2 \right]\) ，从而得到以下目标：
其中， \(\lambda_2\) 是一个超参数，用于控制正则化项 \(\lambda_2\| \delta\mathbf{W}^{r*}_{i, :} \|_2^2\) 的强度。公式16的最小化形成了岭回归问题，解决方案定义为：
在实践中，通过使用 \(\frac{1}{N}\sum_n^N \bar{\mathbf{x}}_n^r\bar{\mathbf{x}}_n^{sT}\) 和 \(\frac{1}{N}\sum_n^N \bar{\mathbf{x}}_n^r\bar{\mathbf{x}}_n^{rT}\) 来估计 \(\mathbb{E}\left[\bar{\mathbf{x}}^r \bar{\mathbf{x}}^{sT}\right]\) 和 \(\mathbb{E}\left[\bar{\mathbf{x}}^r \bar{\mathbf{x}}^{rT} \right]\) 。随后， \(\mathbf{W}^r_{i, :} = \mathbf{W}^r_{i, :}+\delta\mathbf{W}^{r*}_{i, :}\) 以减小误差。目前， \(\mathbf{W}^r_{i, :}\) 仍然保持为全精度，并将在下一次迭代中处理。该过程持续进行，直到所有权重被准确量化。所提出的Rounding Refinement和Ridge Regression共同形成了Wqer，其整体过程在算法1中给出。在实践中，对多个输出通道并行执行Wqer。
Experiments
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
