CN117808056A - 模型量化方法、装置、介质以及电子设备 - Google Patents

Abstract

本公开涉及一种模型量化方法、装置、介质以及电子设备，涉及计算机技术领域，该方法通过根据初始量化位宽，对初始模型进行量化，获得量化模型，将初始模型作为量化模型的教师模型，对量化模型进行蒸馏训练，获得训练后的量化模型，然后减小初始量化位宽，获得目标量化位宽，进而将目标量化位宽作为初始量化位宽，以及将训练后的量化模型作为初始模型，继续对初始模型进行量化，直至目标量化位宽达到目标阈值，并将达到目标阈值的目标量化位宽对应的训练后的量化模型确定为训练完成的量化模型，可以将上一量化位宽的模型作为当前的量化模型的教师模型，对当前的量化模型进行蒸馏训练，从而保证量化后的模型的精度能够进一步提升。

Description

模型量化方法、装置、介质以及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种模型量化方法、装置、介质以及电子设备。

背景技术

模型量化是指将浮点计算模型转换为低比特的定点计算模型，从而有效地降低模型的计算强度、参数大小以及内存消耗。但是，在相关技术中，无论采用何种模型量化技术，均不可避免地给模型带来巨大的精度损失。因此，如何在维持模型精度不变或者仅仅损失较小精度的情况下，对模型进行量化，成为亟需解决的技术问题。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种模型量化方法，包括：

根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；

将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；

减小所述初始量化位宽，获得目标量化位宽；

将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回执行根据初始量化位宽，对初始模型进行量化，获得量化模型的步骤，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

第二方面，本公开提供一种模型量化装置，包括：

量化模块，被配置为根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；

训练模块，被配置为将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；

获得模块，被配置为减小所述初始量化位宽，获得目标量化位宽；

循环模块，被配置为将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回所述量化模块，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

基于上述技术方案，通过根据初始量化位宽，对初始模型进行量化，获得量化模型，将初始模型作为量化模型的教师模型，对量化模型进行蒸馏训练，获得训练后的量化模型，然后减小初始量化位宽，获得目标量化位宽，进而将目标量化位宽作为初始量化位宽，以及将训练后的量化模型作为初始模型，继续对初始模型进行量化，直至目标量化位宽达到目标阈值，并将达到目标阈值的目标量化位宽对应的训练后的量化模型确定为训练完成的量化模型，可以将上一量化位宽的模型作为当前的量化模型的教师模型，对当前的量化模型进行蒸馏训练，从而保证量化后的模型的精度能够进一步提升。而且，通过将上一量化位宽的模型作为当前的量化模型的教师模型进行蒸馏训练，可以使用参数量差异不大的模型进行蒸馏训练，进一步保证了低比特的量化模型的精度的稳定性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一些实施例示出的一种模型量化方法的流程图。

图2是图1所示步骤120的详细流程图。

图3是图2所示步骤123的详细流程图。

图4是根据一些实施例示出的确定第一自适应参数以及第二自适应参数的流程图。

图5是根据一些实施例示出的模型量化装置的结构示意图。

图6是根据一些实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一些实施例示出的一种模型量化方法的流程图。如图1所示，本公开实施例提供一种模型量化方法，该方法可以通过电子设备执行，具体可以是通过一种模型量化装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。如图1所示，该方法可以包括以下步骤。

在步骤110中，根据初始量化位宽，对初始模型进行量化，获得量化模型。

这里，模型量化是指将高位宽表示的权重或者激活值用较低位宽表示。例如，位宽Float32表示的模型，可以量化表示为int8大小的模型。需要注意的是，在模型量化中，可以压缩模型参数，减小模型的大小，提升模型的计算速度，降低模型的内存占用，但是会给模型带来精度损失。

初始量化位宽可以是根据初始模型对应的原始位宽来确定的用于对初始模型进行量化的参数。例如，初始模型对应的原始位宽为32位，初始量化位宽可以为16位。当然，初始量化位宽的大小也可以根据实际情况来进行设置。

电子设备根据初始量化位宽，对初始模型进行量化，获得量化模型。其中，量化模型是通过初始量化位宽对初始模型进行量化得到的模型。

示例性地，初始模型可以为图像类型的模型、文本类型的模型、音频类型的模型中的一种。

也就是说，本公开实施例提供的模型量化方法，可以用于图像类型的模型、文本类型的模型、音频类型的模型等等类型的模型的量化。例如，对图像类型的机器学习模型、文本类型的机器学习模型、声音类型的机器学习模型等等进行量化。

值得说明的是，在本公开实施例中，机器学习模型可以是神经网络模型，也可以是除神经网络模型之外的非神经网络的模型，如决策树等等。

在步骤120中，将初始模型作为量化模型的教师模型，对量化模型进行蒸馏训练，获得训练后的量化模型。

这里，教师模型(teacher model)可以是一个预训练的大模型，学生模型(studentmodel)可以是压缩后的轻量级小模型。在知识蒸馏中，教师模型是知识的输出者，提供知识给学生模型。学生模型则是知识的接收者，从教师模型中获取知识。

在本公开实施例中，初始模型作为量化模型的教师模型，量化模型作为初始模型的学生模型。应当理解的是，初始模型相对于量化模型，其精度更高，所以初始模型作为量化模型的教师模型，以通过初始模型来提升量化模型的精度。

将初始模型作为量化模型的教师模型，对量化模型进行蒸馏训练，是指在量化模型的训练过程中，通过量化模型的预测结果与训练样本对应的真值标签之间的第一损失以及量化模型的预测结果与初始模型的预测结果之间的第二损失，对量化模型的参数进行调整，获得训练后的量化模型，从而有效地提升量化模型的性能准确率。

在步骤130中，减小初始量化位宽，获得目标量化位宽。

这里，可以按照预设的减小幅度来减小初始量化位宽，获得目标量化位宽。例如，预设的减小幅度为2，初始量化位宽为16，则目标量化位宽为16-2＝14。

当然，在其他实施方式中，也可以通过量化位宽列表来减小初始量化位宽，获得目标量化位宽。例如，假设量化位宽列表为：B_s＝16,8,5,…,2，初始量化位宽为16，则目标量化位宽为量化位宽列表中初始量化位宽的下一参数，如目标量化位宽为8。

在步骤140中，将目标量化位宽作为初始量化位宽，以及将训练后的量化模型作为初始模型，返回执行步骤110，直至目标量化位宽达到目标阈值，并将达到目标阈值的目标量化位宽对应的训练后的量化模型确定为训练完成的量化模型。

这里，目标阈值是指预先设置的量化参数，其可以是用户根据实际需求来进行设置的。例如，目标阈值可以int2位、int4位。

在获得目标量化位宽之后，将目标量化位宽作为新的初始量化位宽，以及训练后的量化模型作为新的初始模型，返回执行步骤110，直至目标量化位宽小于目标阈值。也就是说，减小初始量化位宽，重复执行步骤110至步骤130，直至初始模型被量化至目标阈值指示的量化尺度。

例如，假设初始模型的原始位宽为32位，初始量化位宽为16位，目标阈值为4位，在第一次对初始模型进行量化时，根据16位的初始量化位宽，将32位的初始模型量化为16位的量化模型。然后，将16位的初始量化位宽减小为8位的目标量化位宽。在第二次对模型进行量化时，将16位的量化模型作为新的初始模型，将8位的目标量化位宽作为新的初始量化位宽，根据新的8位的初始量化位宽，将新的16位的初始模型量化为8位的量化模型。接着，将8位的初始量化位宽减小为5位的目标量化位宽。在第三次对模型进行量化时，将8位的量化模型作为新的初始模型，将5位的目标量化位宽作为新的初始量化位宽，根据新的5位的初始量化位宽，将新的8位的初始模型量化为5位的量化模型。进而，将5位的初始量化位宽减小为4位的目标量化位宽。在第四次对模型进行量化时，将5位的量化模型作为新的初始模型，将4位的目标量化位宽作为新的初始量化位宽，根据新的4位的初始量化位宽，将新的5位的初始模型量化为4位的量化模型。然后，将新的5位的初始模型作为4位的量化模型的教师模型，对4位的量化模型进行蒸馏训练，获得训练完成的量化模型。

应当理解的是，训练完成的量化模型用于进行模型推理以及部署。也就是说，训练完成的量化模型可以直接进行使用。

值得说明的是，通过上述步骤110至步骤140，初始模型通过多次量化操作被逐步量化为目标阈值对应的量化位宽，在每一次量化过程中，均将上一量化位宽的模型作为当前的量化模型的教师模型，对当前的量化模型进行蒸馏训练，从而保证量化后的模型的精度能够进一步提升。也就是说，使用高比特的模型对低比特的量化模型将进行蒸馏，以提高低比特的量化模型的精度。

由此，通过根据初始量化位宽，对初始模型进行量化，获得量化模型，将初始模型作为量化模型的教师模型，对量化模型进行蒸馏训练，获得训练后的量化模型，然后减小初始量化位宽，获得目标量化位宽，进而将目标量化位宽作为初始量化位宽，以及将训练后的量化模型作为初始模型，继续对初始模型进行量化，直至目标量化位宽达到目标阈值，并将达到目标阈值的目标量化位宽对应的训练后的量化模型确定为训练完成的量化模型，可以将上一量化位宽的模型作为当前的量化模型的教师模型，对当前的量化模型进行蒸馏训练，从而保证量化后的模型的精度能够进一步提升。而且，通过将上一量化位宽的模型作为当前的量化模型的教师模型进行蒸馏训练，可以使用参数量差异不大的模型进行蒸馏训练，进一步保证了低比特的量化模型的精度的稳定性。

图2是图1所示步骤120的详细流程图。如图2所示，在一些可以实现的实施方式中，步骤120可以包括以下步骤。

在步骤121中，将训练样本输入至量化模型以及初始模型，获得量化模型输出的第一预测结果以及初始模型输出的第二预测结果。

这里，训练样本包括图像样本、文本样本、声音样本中的一种。例如，在对图像类型的模型进行训练时，训练样本可以为图像样本，在对音频类型的模型进行训练时，训练样本可以为声音样本，在对文本类型的模型进行训练时，训练样本可以为文本样本。

应当理解的是，训练样本可以携带有真值标签。真值标签可以是指训练样本中的实例的正确输出或类别，也可以称为目标变量(target variable)或响应变量(responsevariable)。例如，在图像分类中，图像样本中的真值标签可以是指图像中的物品的种类，如猫、狗等等种类。应当理解的是，训练样本中的真值标签可以是人工标注的，也可以是利用其他自动化标注模型进行标注的。

电子设备将训练样本分别输入至量化模型以及初始模型，获得量化模型输出的第一预测结果以及初始模型输出的第二预测结果。其中，第一预测结果是量化模型基于训练样本中的特征识别得到的预测结果，第二预测结果是初始模型基于训练样本中的特征识别得到的预测结果。

在步骤122中，确定第一预测结果与训练样本对应的真值标签之间的第一损失，以及确定第一预测结果与第二预测结果之间的第二损失。

这里，可以基于第一损失函数计算第一预测结果与真值标签之间的第一损失，可以基于第二损失函数计算第一预测结果与第二预测结果之间的第二损失。

值得说明的是，第一损失函数、第二损失函数可以是指L1-Loss(Mean AbsoluteError，MAE，绝对值损失函数)、L2-Loss(Mean Squared Error，MSE，平方损失函数)中的一种。当然，第一损失函数、第二损失函数也可以是其他损失函数，如交叉熵损失函数(CrossEntropy Loss)、最大似然损失函数(NLL Loss)等等。

应当理解的是，第一损失实际上是指量化模型的输出结果与训练样本的真值标签之间的真值损失，而第二损失实际上是指量化模型的输出与初始模型的输出之间的蒸馏损失。

在步骤123中，根据第一损失以及第二损失，构建总损失函数。

这里，总损失函数可以包括第一损失和第二损失两个部分。也就是说，总损失函数可以由第一损失和第二损失加权组成。其中，总损失函数可以根据第一损失、以及第二损失与第一权重参数之间的乘积确定。

示例性地，总损失函数可以通过第一计算式表示：

L_all＝L_gt+α*L_dist

其中，L_all为总损失函数，L_gt为第一损失，L_dist为第二损失，α为第一权重参数。

值得说明的是，第一权重参数可以为根据经验获得的常数。当然，第一权重参数也可以是第一自适应参数，该第一自适应参数与本次训练过程使用的初始模型的梯度相关，关于第一自适应参数的详细概念将在后续实施方式中进行详细说明。

在步骤124中，基于总损失函数，调整量化模型的参数，获得训练后的量化模型。

这里，通过总损失函数，可以计算得到对应的总损失值，并基于该总损失值反向传播调整量化模型的参数，使得调整后的量化模型能够满足预设训练条件，获得训练后的量化模型。

值得说明的是，在本公开实施例中，可以利用给定的训练样本集合对量化模型进行不断训练，以使基于总损失函数计算到的总损失值能够达到最优解，即完成对量化模型的训练。其中，在该训练样本集合中包括多个训练样本。

由此，通过上述步骤121至步骤124，可以基于初始模型对量化模型进行蒸馏训练，以使得量化模型的精度能够被进一步提升。

图3是图2所示步骤123的详细流程图。如图3所示，在一些可以实现的实施方式中，步骤123可以包括以下步骤。

在步骤1231中，确定量化模型的中间层的第一输出与初始模型的中间层的第二输出之间的第三损失。

这里，量化模型的中间层以及初始模型的中间层可以是指量化模型以及初始模型除输出层之外的其他层。例如，初始模型包括依次连接的第一输入层、第一卷积层、第二卷积层、第一池化层以及第一输出层，则初始模型的中间层可以为第一输入层、第一卷积层、第二卷积层以及第一池化层。

第三损失是指量化模型的中间层的第一输出与初始模型对应的中间层的第二输出之间的损失。例如，初始模型的中间层可以为第一输入层、第一卷积层、第二卷积层以及第一池化层，量化模型的中间层为第二输入层、第三卷积层、第四卷积层以及第二池化层，则第三损失为第一输入层的输出与第二输入成的输出之间的损失。

值得说明的是，若量化模型的中间层以及初始模型的中间层包括多层，则第三损失则可以根据所有中间层对应的第三损失来确定。示例性地，可以将所有中间层对应的第三损失的平均值来确定中间层的第三损失。也就是说，可以同时考虑所有中间层对应的第三损失。

应当理解的是，可以基于第三损失函数计算第一输出与第二输出之间的第三损失。该第三损失函数可以是L1-Loss、L2-Loss中的一种。当然，第三损失函数也可以是其他损失函数，如交叉熵损失函数、最大似然损失函数等等。

在步骤1232中，根据第一损失、第二损失以及第三损失，构建总损失函数。

这里，总损失函数可以包括第一损失、第二损失以及第三损失三个部分。也就是说，总损失函数可以由第一损失、第二损失以及第三损失加权组成。其中，总损失函数可以根据第一损失、第二损失与第一权重参数之间的乘积以及第三损失与第二权重参数确定。

示例性地，总损失函数可以通过第二计算式表示：

L_all＝L_gt+α*L_dist+β*L_feat

其中，L_all为总损失函数，L_gt为第一损失，L_dist为第二损失，L_feat为第三损失，α为第一权重参数，β为第二权重参数。

值得说明的是，第二权重参数可以为根据经验获得的常数。当然，第二权重参数也可以是第二自适应参数，该第二自适应参数与本次训练过程使用的初始模型的梯度相关，关于第二自适应参数的详细概念将在后续实施方式中进行详细说明。

由此，通过根据量化模型的中间层与初始模型的中间层之间的第三损失，构建总损失函数，可以使得量化模型以及初始模型的所有中间层的特征都能够用于知识蒸馏，进一步降低了模型蒸馏的难度，而且还能进一步提高量化模型的精度。

在一些可以实现的实施方式中，步骤1232中，可以根据第一损失、第二损失与第一自适应参数之间的乘积、以及第三损失与第二自适应参数之间的乘积，构建总损失函数。

这里，第一自适应参数以及第二自适应参数与初始模型的梯度相关，第一自适应参数用于动态调整第二损失的幅度，第二自适应参数用于动态调整第三损失的幅度。

值得说明的是，在每一次训练过程中，由于初始模型的梯度不同，第一自适应参数以及第二自适应参数的值也会不同。也就是说，第一自适应参数以及第二自适应参数的大小与本次训练过程中，初始模型的梯度相关。

其中，在模型的训练过程中，前向传播之后，需要利用模型的预测结果来对模型的参数进行调整，也就是反向传播。在反向传播过程中，可以利用模型的各链路的权重来分配损失值。梯度就是指总损失函数下降最快的方向。在模型的更新过程中，一般是找到总损失函数下降最快的方向，乘以设置的学习步长，使用旧模型加上或减去学习步长，得到更新后的模型。

应当理解的是，梯度实际上是一个表示方向的向量，其形状与总损失函数相同，梯度中每个位置的元素表示总损失函数对应位置的元素相对于权重的变化率。因此，梯度的大小实际上表示了模型迭代速度的快慢。梯度越大，模型迭代速度越快，但是模型在学习过程中也容易出现震荡。

在一些实施例中，模型中各层的梯度可以通过链式法则来计算得到。

需要注意的是，第一自适应参数实际上是根据初始模型的梯度，来对初始模型对应的第二损失进行调整。在训练过程中，当第二损失对量化模型的权重的梯度的影响很小时，第一自适应参数增大第二损失对于量化模型的影响。当第二损失对量化模型的权重的梯度的影响很大时，第一自适应参数减小第二损失对于量化模型的影响。通过第一自适应参数，可以动态调整第二损失(蒸馏损失)对于量化模型的梯度的幅度的影响。同理，第二自适应参数实际上是根据初始模型的梯度，来对初始模型对应的第三损失进行调整。

由此，通过第一自适应参数以及第二自适应参数，可以动态调整第二损失以及第三损失对于总损失函数的影响，从而动态调整第二损失以及第三损失对于量化模型的参数权重的梯度影响，使得量化模型的训练能够保持稳定性以及一致性，从而最大地提升量化模型的精度。应当理解的是，第一自适应参数以及第二自适应参数能够对第二损失以及第三损失进行平衡，以使第二损失以及第三损失给模型训练带来的贡献保持一致。

在一些可以实现的实施方式中，可以通过以下步骤确定第一自适应参数以及第二自适应参数：

根据量化模型的第一梯度值以及初始模型的第二梯度值，确定第一自适应参数以及第二自适应参数。

这里，第一梯度值以及第二梯度值可以是指量化模型以及初始模型中各层对应的梯度值。其中，由于梯度是指函数对各个参数的偏导数组成的向量，因此，量化模型的第一梯度值以及初始模型的第二梯度值均可以通过链式法则来计算得到。其中，链式法则是指两个函数组合起来的复合函数，导数等于里面函数代入外函数值的导数，乘以里面函数之导数。

值得说明的是，第一自适应参数以及第二自适应参数可以与量化模型的第一梯度值以及初始模型的第二梯度值相关。也就是说，可以通过量化模型的第一梯度值相对于初始模型的第二梯度值来计算得到第一自适应参数以及第二自适应参数。示例性地，可以根据第一梯度值与第二梯度值之间的比值来计算得到第一自适应参数以及第二自适应参数。

图4是根据一些实施例示出的确定第一自适应参数以及第二自适应参数的流程图。如图4所示，在一些实施例中，可以通过以下步骤确定第一自适应参数以及第二自适应参数。

在步骤401中，根据量化模型的第一梯度值，确定量化模型对应的第一梯度下降幅度。

这里，第一梯度下降幅度用于表示量化模型中各层的梯度下降的快慢。第一梯度下降幅度越大，表示第一损失给量化模型带来的权重参数的梯度变化越大。第一梯度下降幅度越小，表示第一损失给量化模型带来的权重参数的梯度变化越小。

示例性地，第一梯度值可以包括量化模型的第一最大梯度值以及第一最小梯度值。

例如，量化模型中的各层的梯度分别是0.2、0.4、0.6、0.8，则0.8为量化模型的第一最大梯度值，0.2为量化模型的第一最小梯度值。

在一些实施例中，可以根据第一最大梯度值与第一最小梯度值之间的第一差值，确定第一梯度下降幅度。

示例性地，可以根据第三计算式计算得到第一梯度下降幅度，该第三计算式为：

H_gt＝max(grad_gt)-min(grad_gt)

其中，H_gt为第一梯度下降幅度，max(grad_gt)为第一最大梯度值，min(grad_gt)为第一最小梯度值。

在步骤402中，根据初始模型的第二梯度值，确定初始模型对应的第二梯度下降幅度。

这里，第二梯度下降幅度用于表示初始模型中各层的梯度下降的快慢。第二梯度下降幅度越大，表示第二损失给量化模型带来的权重参数的梯度变化越大。第二梯度下降幅度越小，表示第二损失给量化模型带来的权重参数的梯度变化越小。

示例性地，第二梯度值可以包括初始模型的第二最大梯度值以及第二最小梯度值。

例如，初始模型中的各层的梯度分别是0.3、0.6、0.9、1.2，则1.2为初始模型的第二最大梯度值，0.3为初始模型的第二最小梯度值。

在一些实施例中，可以根据第二最大梯度值与第二最小梯度值之间的第二差值，确定第二梯度下降幅度。

示例性地，可以根据第四计算式计算得到第二梯度下降幅度，该第四计算式为：

H_dist＝max(grad_dist)-min(grad_dist)

其中，H_dist为第二梯度下降幅度，max(grad_dist)为第二最大梯度值，min(grad_dist)为第二最小梯度值。

在步骤403中，根据第一梯度下降幅度以及第二梯度下降幅度，确定第一自适应参数以及第二自适应参数。

这里，在计算得到第一梯度下降幅度以及第二梯度下降幅度之后，可以根据第一梯度下降幅度与第二梯度下降幅度之间的比值，确定第一自适应参数以及第二自适应参数。

示例性地，可以根据第五计算式计算得到第一自适应参数以及第二自适应参数，该第五计算式为：

其中，f(grad)为第一自适应参数或者第二自适应参数。

值得说明的是，如上述第五计算式所示，当第二损失或者第三损失对量化模型的权重的梯度的影响变小时(相当于H_dist变小)，第一自适应参数或者第二自适应参数增大，在总损失函数中，第二损失或者第三损失的权重增大。当第二损失或者第三损失对量化模型的权重的梯度的影响变大时(相当于H_dist变大)，第一自适应参数或者第二自适应参数减小，在总损失函数中，第二损失或者第三损失的权重变小。因此，可以通过第一自适应参数或者第二自适应参数来维持量化模型的训练的稳定性以及一致性。

一般来说，在蒸馏的过程中，第二损失以及第三损失相对于第一损失来说，第二损失以及第三损失的下降速度更快，因此，第二损失以及第三损失在量化模型的训练的中后期几乎不起作用。然而，通过第一自适应参数以及第二自适应参数，可以动态调整第二损失以及第三损失，以维持量化模型的训练的稳定性以及一致性。

由此，通过上述实施方式，可以保证第二损失以及第三损失在量化模型的每一次迭代过程中，都能够起到相同的作用，从而保证量化模型的训练的稳定性以及一致性，极大提高了蒸馏训练的效果。

图5是根据一些实施例示出的模型量化装置的结构示意图。如图4所示，本公开实施例提供一种模型量化装置500，该模型量化装置500可以包括：

量化模块501，被配置为根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；

训练模块502，被配置为将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；

获得模块503，被配置为减小所述初始量化位宽，获得目标量化位宽；

循环模块504，被配置为将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回所述量化模块，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

可选地，所述训练模块502包括：

输入单元，被配置为将训练样本输入至所述量化模型以及所述初始模型，获得所述量化模型输出的第一预测结果以及所述初始模型输出的第二预测结果；

损失确定单元，被配置为确定所述第一预测结果与所述训练样本对应的真值标签之间的第一损失，以及确定所述第一预测结果与所述第二预测结果之间的第二损失；

构建单元，被配置为根据所述第一损失以及所述第二损失，构建总损失函数；

调整单元，被配置为基于所述总损失函数，调整所述量化模型的参数，获得所述训练后的量化模型。

可选地，所述构建单元具体被配置为：

确定所述量化模型的中间层的第一输出与所述初始模型的中间层的第二输出之间的第三损失；

根据所述第一损失、所述第二损失以及所述第三损失，构建所述总损失函数。

可选地，所述构建单元具体被配置为：

根据所述第一损失、所述第二损失与第一自适应参数之间的乘积、以及所述第三损失与第二自适应参数之间的乘积，构建所述总损失函数；

其中，所述第一自适应参数以及所述第二自适应参数与所述初始模型的梯度相关，所述第一自适应参数用于动态调整所述第二损失的幅度，所述第二自适应参数用于动态调整所述第三损失的幅度。

可选地，所述构建单元具体被配置为：

根据所述量化模型的第一梯度值以及所述初始模型的第二梯度值，确定所述第一自适应参数以及所述第二自适应参数。

可选地，所述构建单元具体被配置为：

根据所述量化模型的第一梯度值，确定所述量化模型对应的第一梯度下降幅度；

根据所述初始模型的第二梯度值，确定所述初始模型对应的第二梯度下降幅度；

根据所述第一梯度下降幅度以及所述第二梯度下降幅度，确定所述第一自适应参数以及所述第二自适应参数。

可选地，所述构建单元具体被配置为：

根据所述第一梯度下降幅度与所述第二梯度下降幅度之间的比值，确定所述第一自适应参数以及所述第二自适应参数。

关于上述模型量化装置500中的各个功能模块执行的功能逻辑已经在关于方法的部分进行了详细说明，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，电子设备可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；减小所述初始量化位宽，获得目标量化位宽；将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回执行根据初始量化位宽，对初始模型进行量化，获得量化模型的步骤，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种模型量化方法，其特征在于，包括：

根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；

将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；

减小所述初始量化位宽，获得目标量化位宽；

将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回执行根据初始量化位宽，对初始模型进行量化，获得量化模型的步骤，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型，包括：

将训练样本输入至所述量化模型以及所述初始模型，获得所述量化模型输出的第一预测结果以及所述初始模型输出的第二预测结果；

确定所述第一预测结果与所述训练样本对应的真值标签之间的第一损失，以及确定所述第一预测结果与所述第二预测结果之间的第二损失；

根据所述第一损失以及所述第二损失，构建总损失函数；

基于所述总损失函数，调整所述量化模型的参数，获得所述训练后的量化模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失以及所述第二损失，构建总损失函数，包括：

确定所述量化模型的中间层的第一输出与所述初始模型的中间层的第二输出之间的第三损失；

根据所述第一损失、所述第二损失以及所述第三损失，构建所述总损失函数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一损失、所述第二损失以及所述第三损失，构建所述总损失函数，包括：

根据所述第一损失、所述第二损失与第一自适应参数之间的乘积、以及所述第三损失与第二自适应参数之间的乘积，构建所述总损失函数；

其中，所述第一自适应参数以及所述第二自适应参数与所述初始模型的梯度相关，所述第一自适应参数用于动态调整所述第二损失的幅度，所述第二自适应参数用于动态调整所述第三损失的幅度。

5.根据权利要求4所述的方法，其特征在于，所述第一自适应参数以及所述第二自适应参数通过以下步骤确定：

根据所述量化模型的第一梯度值以及所述初始模型的第二梯度值，确定所述第一自适应参数以及所述第二自适应参数。

6.根据权利要求5所述的方法，其特征在于，所述根据所述量化模型的第一梯度值以及所述初始模型的第二梯度值，确定所述第一自适应参数以及所述第二自适应参数，包括：

根据所述量化模型的第一梯度值，确定所述量化模型对应的第一梯度下降幅度；

根据所述初始模型的第二梯度值，确定所述初始模型对应的第二梯度下降幅度；

根据所述第一梯度下降幅度以及所述第二梯度下降幅度，确定所述第一自适应参数以及所述第二自适应参数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第一梯度下降幅度以及所述第二梯度下降幅度，确定所述第一自适应参数以及所述第二自适应参数，包括：

根据所述第一梯度下降幅度与所述第二梯度下降幅度之间的比值，确定所述第一自适应参数以及所述第二自适应参数。

8.一种模型量化装置，其特征在于，包括：

量化模块，被配置为根据初始量化位宽，对初始模型进行量化，获得量化模型，其中所述初始模型为图像类型的模型、文本类型的模型、音频类型的模型中的一种；

训练模块，被配置为将所述初始模型作为所述量化模型的教师模型，对所述量化模型进行蒸馏训练，获得训练后的量化模型；

获得模块，被配置为减小所述初始量化位宽，获得目标量化位宽；

循环模块，被配置为将所述目标量化位宽作为所述初始量化位宽，以及将所述训练后的量化模型作为所述初始模型，返回所述量化模块，直至所述目标量化位宽达到目标阈值，并将达到所述目标阈值的所述目标量化位宽对应的所述训练后的量化模型确定为训练完成的量化模型。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。