在深度神经网络的训练过程中，全量化训练（Fully Quantized Training, FQT）通过将激活值、权重和梯度量化到较低的精度，显著加速了训练过程。随着对训练数值精度的不断压缩，一个自然而然的问题浮现出来：全量化训练的极限是什么？即，能够实现的最低位宽是多少？理想情况下，如果能将位宽压缩到1位，训练将可以通过二进制操作实现，这不仅能极大简化硬件设计，还可能在保持训练质量的前提下，实现极致的计算效率。

本文首次尝试将全量化训练的精度推向1位极限。我们提供了基于Adam和SGD的全量化训练的理论分析，并揭示了梯度方差如何影响全量化训练的收敛性。在此基础上，我们引入了激活梯度修剪（Activation Gradient Pruning, AGP）策略，通过修剪不太有信息量的梯度，并提高剩余梯度的数值精度来减少梯度方差。此外，我们还提出了样本通道联合量化（Sample Channel joint Quantization, SCQ）策略，该策略在权重梯度和激活梯度的计算中采用不同的量化策略，以确保方法对低位宽硬件友好。最终，我们展示了如何部署我们的算法，并在多个数据集上对VGGNet-16和ResNet-18进行微调，平均准确率提高了约6%，训练速度提升了最高达5.13倍。

论文基本信息

Beijing Jiaotong UniversityTsinghua University 地址： ​ ​​ ​

全量化训练（FQT）的概述

全量化训练（Fully Quantized Training，简称FQT）是一种通过将激活值、权重和梯度量化为低精度数值格式来加速深度神经网络训练的技术。这种方法使得在低精度硬件上能够快速实现前向和后向传播，从而提高计算和内存效率。随着研究的深入，FQT的数值精度已经从最初的16位（FP/INT16）逐步降低到8位（FP/INT8），并且目前一些研究已经将精度成功降至4位。

尽管FQT在提高训练速度方面具有潜力，但其挑战在于理论理解的不足，尤其是梯度量化对收敛性的影响，以及梯度的大量化误差可能导致性能急剧下降或甚至发散。目前的研究前沿仍停留在4位FQT，但探索将位宽推向更低极限，即1位FQT，是未来的研究方向。

1-bit FQT的理论分析

在我们的研究中，我们首次尝试将全量化训练的精度推向1位（1-bit FQT）。通过对Adam和SGD两种优化器的理论分析，我们发现梯度方差是影响FQT收敛性的关键因素。具体来说，我们的分析揭示了在低位宽情况下，Adam优化器比SGD更适合于FQT，因为Adam对梯度方差的敏感度较低。

为了应对由梯度量化引起的大量化误差，我们提出了激活梯度修剪（Activation Gradient Pruning，AGP）策略。该策略利用梯度的异质性，通过剪除信息量较少的梯度组，并将节省下来的资源用于提高剩余梯度的数值精度，从而减少梯度方差。此外，我们还提出了样本通道联合量化（Sample Channel joint Quantization，SCQ）策略，该策略在计算权重梯度和激活梯度时采用不同的量化方法，确保两者都能在低位宽计算单元上有效实现。

通过在多个数据集上对VGGNet-16和ResNet-18进行微调，我们的1-bit FQT算法在平均精度上比每个样本量化提高了约6%，并且训练速度提升最高可达5.13倍。这些结果表明，在特定任务中，FQT的精度可以被推向极限1位。

提出的1-bit FQT算法

1-bit FQT算法是在全量化训练（Fully Quantized Training, FQT）的基础上，进一步推动模型训练中的数值精度降至1比特。全量化训练通过将激活值、权重和梯度量化到较低的数值精度，加速了深度神经网络的训练过程。在本研究中，我们首次尝试将FQT的精度推至1比特极限。

1.1 理论分析

我们基于Adam和SGD优化器对FQT进行了理论分析。分析结果表明，梯度的方差是影响FQT收敛性的关键因素。Adam优化器在低比特宽度训练中表现出比SGD更好的稳定性，这是因为Adam对梯度方差的敏感度较低。

1.2 算法组成

1-bit FQT算法包括激活梯度修剪（Activation Gradient Pruning, AGP）和样本通道联合量化（Sample Channel joint Quantization, SCQ）两个主要策略。AGP策略通过剪除信息量较少的梯度组，重新分配资源以提高剩余梯度的数值精度，从而减少梯度方差。SCQ策略则在权重梯度和激活梯度的计算中采用不同的量化方法，确保这些操作能够在低比特宽度的硬件上高效执行。

实验设计与结果

为了验证1-bit FQT算法的有效性，我们在多个数据集上对VGGNet-16和ResNet-18模型进行了微调实验。

2.1 实验设置

我们选择了包括CIFAR-10、CIFAR-100、Flowers和Pets等多个视觉分类数据集。实验中，所有模型首先在ImageNet数据集上进行预训练，然后使用1-bit FQT算法进行微调。

2.2 主要结果

实验结果显示，与传统的每样本量化方法相比，我们的1-bit FQT算法在多个数据集上平均提高了约6%的准确率。特别是在Flowers和Pets数据集上，准确率损失几乎可以忽略不计（小于1%），这表明在某些情况下1-bit FQT是非常有效的。此外，我们的方法在训练速度上最高可达到传统全精度训练的5.13倍加速。

讨论与未来方向

在本研究中，我们首次尝试将全量化训练（FQT）的精度推至1比特。通过理论分析和实验验证，我们发现梯度方差是影响FQT收敛性的关键因素。基于此，我们提出了激活梯度修剪（AGP）策略和样本通道联合量化（SCQ）策略，有效降低了梯度方差，提高了模型的训练效率和精度。

未来的研究方向可以从以下几个方面进行探索：

优化量化策略 ：虽然我们的AGP和SCQ策略已经取得了一定的成效，但仍有进一步优化的空间。例如，探索更高效的梯度修剪方法或更精细的量化级别调整，以适应更广泛的网络结构和数据集。 扩展到其他网络架构 ：目前的研究主要集中在卷积神经网络（CNN）上，未来可以将1比特FQT扩展到其他类型的深度学习模型，如循环神经网络（RNN）和Transformer，检验其在不同架构上的普适性和有效性。 从头训练的探索 ：目前1比特FQT主要应用于迁移学习和微调场景，从头开始训练的场景仍是一个开放的问题。未来的研究可以探索在无预训练模型的情况下，如何有效实施1比特FQT，以及如何处理由此带来的梯度方差问题。

本文转载自​​，作者：