一种针对一阶段目标检测网络的低比特量化的方法和装置与流程

1.本发明涉及目标检测领域，更具体地，特别是指一种针对一阶段目标检测网络的低比特量化的方法、系统、设备和存储介质。


背景技术：

2.neural network(神经网络)模型一般都会占用很大的磁盘空间，比如alexnet的模型文件就超过了200mb。模型包含了数百万的参数，绝大部分的空间都用来存储这些模型的参数了。这些参数是浮点数类型的，普通的压缩算法很难压缩它们的空间。
3.一般模型的内部的计算都采用了浮点数计算，浮点数的计算会消耗比较大的计算资源(空间和cpu/gpu时间)，如果在不影响模型准确率的情况下，模型内部可以采用其他简单数值类型进行计算的话，计算速度会提高很多，消耗的计算资源会大大减小，尤其是对于移动设备来说，这点更加重要，由此引入量化技术。
4.量化即通过减少表示每个权重所需的比特数来压缩原始网络。对于8比特量化模型可以压缩到1/4，网络的运行速度会大大提升。相比于8比特量化，4比特量化可以在8比特的基础上将模型的体积继续压缩1倍，运行速度提升50％。但是4比特由于最大只能表征16个数，因此会导致模型的分类精度下降。另外，cpu中没有int4这种数据类型，也会导致实际运行困难。
5.与离线量化不同，训练量化需要在训练中模拟量化操作的影响，并通过训练使得模型学习并适应量化操作所带来的误差，从而提高量化的精度。因此训练量化也称为quantization
‑
aware training(qat)，意指训练中已经意识到此模型将会转换成量化模型。
6.模型量化可以缓解现有卷积神经网络参数量大、计算量大、内存占用多等问题，具有为神经网络压缩参数、提升速度、降低内存占用等“潜在”优势。
7.目前大多数训练和推理框架都支持int8量化，但是由于int4会导致模型精度下降严重等原因，都没支持int4的量化。很多低比特量化算法采用的是非线性量化的方式，非线性量化可以提升模型精度，但会引入额外的运算，降低运算速度。
8.目前针对一阶段目标检测网络的量化方法，为了减少精度损失，一般仅对模型的主干网络部分进行量化，不进行检测网络的量化。即使现有的量化方法在图像分类任务中可以获得较少的精度下降和不错的性能加速，但是在保持精度的情况下，在目标检测中使用低比特量化仍是一个挑战。


技术实现要素：

9.有鉴于此，本发明实施例的目的在于提出一种针对一阶段目标检测网络的低比特量化的方法、系统、计算机设备及计算机可读存储介质，本发明通过分别对目标检测网络的主干网络和检测部分增加伪量化层和引入satrelu层，在较小模型精度损失的情况下，通过低比特量化提升模型的压缩率，且大大提升模型的推理速度，缩小模型存储占用的空间。
10.基于上述目的，本发明实施例的一方面提供了一种针对一阶段目标检测网络的低比特量化的方法，包括如下步骤：在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层；使用satrelu层替换所述主干网络中的relu层；在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层；以及在所述检测部分的卷积层后增加satfun层。
11.在一些实施方式中，所述在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层包括：将所述第一权重伪量化层的输入限制在
‑
8到7之间，并将所述第一输入伪量化层的输入限制在0到15之间。
12.在一些实施方式中，所述在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层包括：将所述第二权重伪量化层的输入限制在
‑
128到127之间，并将所述第二输入伪量化层的输入限制在
‑
128到127之间。
13.在一些实施方式中，方法还包括：对所述目标检测网络采用mosaic和mixuup两种数据增强算法相结合的方式进行训练。
14.本发明实施例的另一方面，提供了一种针对一阶段目标检测网络的低比特量化的系统，包括：第一伪量化模块，配置用于在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层；第一精度模块，配置用于使用satrelu层替换所述主干网络中的relu层；第二伪量化模块，配置用于在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层；以及第二精度模块，配置用于在所述检测部分的卷积层后增加satfun层。
15.在一些实施方式中，所述第一伪量化模块配置用于：将所述第一权重伪量化层的输入限制在
‑
8到7之间，并将所述第一输入伪量化层的输入限制在0到15之间。
16.在一些实施方式中，所述第二伪量化模块配置用于：将所述第二权重伪量化层的输入限制在
‑
128到127之间，并将所述第二输入伪量化层的输入限制在
‑
128到127之间。
17.在一些实施方式中，系统还包括训练模块，配置用于：对所述目标检测网络采用mosaic和mixuup两种数据增强算法相结合的方式进行训练。
18.本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
19.本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
20.本发明具有以下有益技术效果：通过分别对目标检测网络的主干网络和检测部分增加伪量化层和引入satrelu层，在较小模型精度损失的情况下，通过低比特量化提升模型的压缩率，且大大提升模型的推理速度，缩小模型存储占用的空间。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
22.图1为本发明提供的针对一阶段目标检测网络的低比特量化的方法的实施例的示意图；
23.图2为本发明提供的针对一阶段目标检测网络的低比特量化的系统的实施例的示意图；
24.图3为本发明提供的针对一阶段目标检测网络的低比特量化的计算机设备的实施例的硬件结构示意图；
25.图4为本发明提供的针对一阶段目标检测网络的低比特量化的计算机存储介质的实施例的示意图。
具体实施方式
26.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
27.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
28.本发明实施例的第一个方面，提出了一种针对一阶段目标检测网络的低比特量化的方法的实施例。图1示出的是本发明提供的针对一阶段目标检测网络的低比特量化的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
29.s1、在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层；
30.s2、使用satrelu层替换所述主干网络中的relu层；
31.s3、在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层；以及
32.s4、在所述检测部分的卷积层后增加satfun层。
33.一阶段目标检测网络(ssd，yolo，retinanet)主要有主干网络和检测网络两部分构成。其中主干网络为一些常见的分类网络构成，如resnet，mobilenet，检测部分主要为卷积网络构成，用于输出分类和位置信息。采用量化感知训练的方法训练出一个量化模型，其中使用低比特进行前向传播，反向传播过程中采用fp32回传梯度。在原本的一阶段检测模型基础上，需增加伪量化节点，替换relu节点为satrelu。本发明采用线性量化的方式，也可以获得非线性量化的精度。本发明实施例中的低比特包括4比特和8比特。
34.在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层。
35.在一些实施方式中，所述在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层包括：将所述第一权重伪量化层的输入限制在
‑
8到7之间，并将所述第一输入伪量化层的输入限制在0到15之间。
36.对于主干网络中的所有卷积层或全连接层均插入2个伪量化节点用于辅助训练，伪量化的作用为缩小网络量化对精度的影响，其中对于卷积/全连接的权重增加权重伪量化层，权重伪量化层的具体操作为：
[0037][0038]
其中w为权重值，clip函数表示限幅操作，对于4比特量化，clip会将所有输入限制在
‑
8～7之间，round函数为对输入进行四舍五入取整，量化系数scale为定义为：
[0039][0040]
其中scale的取值采用对权重w的按照每个输出通道共享一个scale的方式，w
i
为按照输出通道数进行划分的单通道权重，其中i＝0，1
…
n，n为w的输出通道数。
[0041]
对于卷积/全连接的输入增加伪量化层，伪量化层的具体操作为：
[0042][0043]
其中in为卷积/全连接层的输入，由于卷积/全连接后会有relu层，因此下一层输入值均为正数。为了能充分利用比特空间，需用clip函数将输入限制到0～15之间。sat为后续satrelu产生的值。
[0044]
使用satrelu层替换所述主干网络中的relu层。
[0045]
在网络训练中，为了减少低比特量化带来的精度损失，需引入satrelu层替换掉原来的relu层。satrelu层的定义为：
[0046][0047]
其中sat值为一变量，在训练过程中会自动调整，寻找最优值。且在训练中需要手动实现sat的方向传播过程，其反向传播中针对sat的梯度为：
[0048][0049]
由于检测网络部分负责直接输出检测结果，对其量化会对精度产生较大的影响。并且检测部分的卷积层后无relu层，因此不能直接采用上述相同的方法。该部分的量化方式为：
[0050]
在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层。
[0051]
在一些实施方式中，所述在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层包括：将所述第二权重伪量化层的输入限制在
‑
128到127之间，并将所述第二输入伪量化层的
输入限制在
‑
128到127之间。
[0052]
对于检测部分的卷积层也同样需要添加伪量化层。但为了减少精度的损失，对于该部分卷积采用8比特量化。对于卷积层的权重需加入权重伪量化层：
[0053][0054]
其中由于采用8比特量化，clip限幅的范围放宽到
‑
128～127之间，量化系数scale定义为：
[0055][0056]
对于卷积层的输入，需加入输入伪量化层：
[0057][0058]
其中sat为下一步骤中satfun产生的值。由于检测网络中没有relu等激活函数，因此输入可为正数也可为负数，进而clip函数的限幅范围为
‑
128～127。
[0059]
在所述检测部分的卷积层后增加satfun层。
[0060]
在网络训练中，为了减少低比特量化带来的精度损失，需在卷积层后加入satfun层。satfun层的定义为：
[0061][0062]
其中sat值为一变量，在训练过程中会自动调整，寻找最优值。且在训练中需要手动实现sat的方向传播过程，其反向传播中针对sat的梯度为：
[0063][0064]
在一些实施方式中，方法还包括：对所述目标检测网络采用mosaic和mixuup两种数据增强算法相结合的方式进行训练。
[0065]
为了进一步减少在网络训练过程中的精度损失，将在网络量化训练中采用如下技巧：
[0066]
1.逐渐降低比特数
[0067]
在训练过程中，每隔几个周期降低一次比特数的方式，来减少梯度不匹配的问题。对于主干网络部分，比特数采用16bit
‑
>8bit
‑
>6bit
‑
>4bit的方式，逐渐降低到4bit。对于检测网络部分，比特数则采用float
‑
>int32
‑
>int8的方式，逐渐降低到8bit。
[0068]
2.采用focalloss损失函数
[0069]
使用focalloss来减少目标检测中正负样本不均衡的问题。
[0070]
3.使用数据增强
[0071]
模型量化后，对于小目标检测效果明显下降，因此在训练过程中，采用mosaic和mixup两种数据增强算法相结合的方式，来提升小目标的检测效果。
[0072]
本发明实施例通过分别对目标检测网络的主干网络和检测部分增加伪量化层和
引入satrelu层，在较小模型精度损失的情况下，通过低比特量化提升模型的压缩率，且大大提升模型的推理速度，缩小模型存储占用的空间。
[0073]
需要特别指出的是，上述针对一阶段目标检测网络的低比特量化的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于针对一阶段目标检测网络的低比特量化的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
[0074]
基于上述目的，本发明实施例的第二个方面，提出了一种针对一阶段目标检测网络的低比特量化的系统。如图2所示，系统200包括如下模块：第一伪量化模块，配置用于在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层；第一精度模块，配置用于使用satrelu层替换所述主干网络中的relu层；第二伪量化模块，配置用于在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层；以及第二精度模块，配置用于在所述检测部分的卷积层后增加satfun层。
[0075]
在一些实施方式中，所述第一伪量化模块配置用于：将所述第一权重伪量化层的输入限制在
‑
8到7之间，并将所述第一输入伪量化层的输入限制在0到15之间。
[0076]
在一些实施方式中，所述第二伪量化模块配置用于：将所述第二权重伪量化层的输入限制在
‑
128到127之间，并将所述第二输入伪量化层的输入限制在
‑
128到127之间。
[0077]
在一些实施方式中，系统还包括训练模块，配置用于：对所述目标检测网络采用mosaic和mixuup两种数据增强算法相结合的方式进行训练。
[0078]
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：s1、在目标检测网络的主干网络的所有卷积层或全连接层均插入伪量化节点，在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层；s2、使用satrelu层替换所述主干网络中的relu层；s3、在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层；以及s4、在所述检测部分的卷积层后增加satfun层。
[0079]
在一些实施方式中，所述在所述卷积层或全连接层的权重部分增加第一权重伪量化层，并在所述卷积层或全连接层的输入部分增加第一输入伪量化层包括：将所述第一权重伪量化层的输入限制在
‑
8到7之间，并将所述第一输入伪量化层的输入限制在0到15之间。
[0080]
在一些实施方式中，所述在所述目标检测网络的检测部分的卷积层的权重部分增加第二权重伪量化层，并在所述检测部分的卷积层的输入部分增加第二输入伪量化层包括：将所述第二权重伪量化层的输入限制在
‑
128到127之间，并将所述第二输入伪量化层的输入限制在
‑
128到127之间。
[0081]
在一些实施方式中，步骤还包括：对所述目标检测网络采用mosaic和mixuup两种数据增强算法相结合的方式进行训练。
[0082]
如图3所示，为本发明提供的上述针对一阶段目标检测网络的低比特量化的计算
机设备的一个实施例的硬件结构示意图。
[0083]
以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。
[0084]
处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。
[0085]
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的针对一阶段目标检测网络的低比特量化的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现针对一阶段目标检测网络的低比特量化的方法。
[0086]
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据针对一阶段目标检测网络的低比特量化的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0087]
一个或者多个针对一阶段目标检测网络的低比特量化的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的针对一阶段目标检测网络的低比特量化的方法。
[0088]
执行上述针对一阶段目标检测网络的低比特量化的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
[0089]
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行针对一阶段目标检测网络的低比特量化的方法的计算机程序。
[0090]
如图4所示，为本发明提供的上述针对一阶段目标检测网络的低比特量化的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
[0091]
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，针对一阶段目标检测网络的低比特量化的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
[0092]
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
[0093]
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
[0094]
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
[0095]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0096]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。