在深度神經網絡的訓練過程中，全量化訓練（Fully Quantized Training, FQT）通過將激活值、權重和梯度量化到較低的精度，顯著加速了訓練過程。隨著對訓練數值精度的不斷壓縮，一個自然而然的問題浮現出來：全量化訓練的極限是什么？即，能夠實現的最低位寬是多少？理想情況下，如果能將位寬壓縮到1位，訓練將可以通過二進制操作實現，這不僅能極大簡化硬件設計，還可能在保持訓練質量的前提下，實現極致的計算效率。

本文首次嘗試將全量化訓練的精度推向1位極限。我們提供了基于Adam和SGD的全量化訓練的理論分析，并揭示了梯度方差如何影響全量化訓練的收斂性。在此基礎上，我們引入了激活梯度修剪（Activation Gradient Pruning, AGP）策略，通過修剪不太有信息量的梯度，并提高剩余梯度的數值精度來減少梯度方差。此外，我們還提出了樣本通道聯合量化（Sample Channel joint Quantization, SCQ）策略，該策略在權重梯度和激活梯度的計算中采用不同的量化策略，以確保方法對低位寬硬件友好。最終，我們展示了如何部署我們的算法，并在多個數據集上對VGGNet-16和ResNet-18進行微調，平均準確率提高了約6%，訓練速度提升了最高達5.13倍。

論文基本信息

• 標題: 1-Bit FQT: Pushing the Limit of Fully Quantized Training to 1-bit
• 作者: Chang Gao, Jianfei Chen, Kang Zhao, Jiaqi Wang, Liping Jing
• 機構:

Beijing Jiaotong University
Tsinghua University
地址：??https://arxiv.org/pdf/2408.14267??

全量化訓練（FQT）的概述

全量化訓練（Fully Quantized Training，簡稱FQT）是一種通過將激活值、權重和梯度量化為低精度數值格式來加速深度神經網絡訓練的技術。這種方法使得在低精度硬件上能夠快速實現前向和后向傳播，從而提高計算和內存效率。隨著研究的深入，FQT的數值精度已經從最初的16位（FP/INT16）逐步降低到8位（FP/INT8），并且目前一些研究已經將精度成功降至4位。

盡管FQT在提高訓練速度方面具有潛力，但其挑戰在于理論理解的不足，尤其是梯度量化對收斂性的影響，以及梯度的大量化誤差可能導致性能急劇下降或甚至發散。目前的研究前沿仍停留在4位FQT，但探索將位寬推向更低極限，即1位FQT，是未來的研究方向。

1-bit FQT的理論分析

在我們的研究中，我們首次嘗試將全量化訓練的精度推向1位（1-bit FQT）。通過對Adam和SGD兩種優化器的理論分析，我們發現梯度方差是影響FQT收斂性的關鍵因素。具體來說，我們的分析揭示了在低位寬情況下，Adam優化器比SGD更適合于FQT，因為Adam對梯度方差的敏感度較低。

為了應對由梯度量化引起的大量化誤差，我們提出了激活梯度修剪（Activation Gradient Pruning，AGP）策略。該策略利用梯度的異質性，通過剪除信息量較少的梯度組，并將節省下來的資源用于提高剩余梯度的數值精度，從而減少梯度方差。此外，我們還提出了樣本通道聯合量化（Sample Channel joint Quantization，SCQ）策略，該策略在計算權重梯度和激活梯度時采用不同的量化方法，確保兩者都能在低位寬計算單元上有效實現。

通過在多個數據集上對VGGNet-16和ResNet-18進行微調，我們的1-bit FQT算法在平均精度上比每個樣本量化提高了約6%，并且訓練速度提升最高可達5.13倍。這些結果表明，在特定任務中，FQT的精度可以被推向極限1位。

提出的1-bit FQT算法

1-bit FQT算法是在全量化訓練（Fully Quantized Training, FQT）的基礎上，進一步推動模型訓練中的數值精度降至1比特。全量化訓練通過將激活值、權重和梯度量化到較低的數值精度，加速了深度神經網絡的訓練過程。在本研究中，我們首次嘗試將FQT的精度推至1比特極限。

1.1 理論分析

我們基于Adam和SGD優化器對FQT進行了理論分析。分析結果表明，梯度的方差是影響FQT收斂性的關鍵因素。Adam優化器在低比特寬度訓練中表現出比SGD更好的穩定性，這是因為Adam對梯度方差的敏感度較低。

1.2 算法組成

1-bit FQT算法包括激活梯度修剪（Activation Gradient Pruning, AGP）和樣本通道聯合量化（Sample Channel joint Quantization, SCQ）兩個主要策略。AGP策略通過剪除信息量較少的梯度組，重新分配資源以提高剩余梯度的數值精度，從而減少梯度方差。SCQ策略則在權重梯度和激活梯度的計算中采用不同的量化方法，確保這些操作能夠在低比特寬度的硬件上高效執行。

實驗設計與結果

為了驗證1-bit FQT算法的有效性，我們在多個數據集上對VGGNet-16和ResNet-18模型進行了微調實驗。

2.1 實驗設置

我們選擇了包括CIFAR-10、CIFAR-100、Flowers和Pets等多個視覺分類數據集。實驗中，所有模型首先在ImageNet數據集上進行預訓練，然后使用1-bit FQT算法進行微調。

2.2 主要結果

實驗結果顯示，與傳統的每樣本量化方法相比，我們的1-bit FQT算法在多個數據集上平均提高了約6%的準確率。特別是在Flowers和Pets數據集上，準確率損失幾乎可以忽略不計（小于1%），這表明在某些情況下1-bit FQT是非常有效的。此外，我們的方法在訓練速度上最高可達到傳統全精度訓練的5.13倍加速。

討論與未來方向

在本研究中，我們首次嘗試將全量化訓練（FQT）的精度推至1比特。通過理論分析和實驗驗證，我們發現梯度方差是影響FQT收斂性的關鍵因素。基于此，我們提出了激活梯度修剪（AGP）策略和樣本通道聯合量化（SCQ）策略，有效降低了梯度方差，提高了模型的訓練效率和精度。

未來的研究方向可以從以下幾個方面進行探索：

優化量化策略：雖然我們的AGP和SCQ策略已經取得了一定的成效，但仍有進一步優化的空間。例如，探索更高效的梯度修剪方法或更精細的量化級別調整，以適應更廣泛的網絡結構和數據集。
擴展到其他網絡架構：目前的研究主要集中在卷積神經網絡（CNN）上，未來可以將1比特FQT擴展到其他類型的深度學習模型，如循環神經網絡（RNN）和Transformer，檢驗其在不同架構上的普適性和有效性。
從頭訓練的探索：目前1比特FQT主要應用于遷移學習和微調場景，從頭開始訓練的場景仍是一個開放的問題。未來的研究可以探索在無預訓練模型的情況下，如何有效實施1比特FQT，以及如何處理由此帶來的梯度方差問題。

本文轉載自 ??AI論文解讀??，作者：柏企