interpreter.get_input_details() 中的“量化”是啥意思？

Posted 2023-02-16

【中文标题】interpreter.get_input_details() 中的“量化”是啥意思？

【英文标题】：What does 'quantization' mean in interpreter.get_input_details()?interpreter.get_input_details() 中的“量化”是什么意思？

【发布时间】：2019-07-16 17:27:30

【问题描述】：

使用 tflite 并获取解释器的属性，例如：

print(interpreter.get_input_details())

['name': 'input_1_1', 'index': 47, 'shape': array([  1, 128, 128,   3], dtype=int32), 'dtype': <class 'numpy.uint8'>, 'quantization': (0.003921568859368563, 0)]

'quantization': (0.003921568859368563, 0) 是什么意思？

【参考方案1】：

表示量化参数值：输入张量的scale和zero_point。

这是使用公式将量化的 uint8 数 q 转换为浮点数 f 所必需的：

f = (q - zero_point) * scale

【参考方案2】：

很遗憾，documentation of get_input_details 没有解释：

Returns: A list of input details.

但是如果你查看源代码get_input_details，它会调用_get_tensor_details (source)，并且这个函数确实记录了它：

    """Gets tensor details.
    Args:
      tensor_index: Tensor index of tensor to query.
    Returns:
      A dictionary containing the following fields of the tensor:
        'name': The tensor name.
        'index': The tensor index in the interpreter.
        'shape': The shape of the tensor.
        'quantization': Deprecated, use 'quantization_parameters'. This field
            only works for per-tensor quantization, whereas
            'quantization_parameters' works in all cases.
        'quantization_parameters': The parameters used to quantize the tensor:
          'scales': List of scales (one if per-tensor quantization)
          'zero_points': List of zero_points (one if per-tensor quantization)
          'quantized_dimension': Specifies the dimension of per-axis
              quantization, in the case of multiple scales/zero_points.

---

什么意思？

这些量化参数是用于量化的值（将一系列数字从一个范围转换为另一个更有限的范围，例如 0-10 到 0-1）。在 TensorFlow 中，这专门用于表示当数据类型更改为支持较少数字的数据类型时：例如float32 到 float16，或 float32 到 uint8，或 float16 到 int8。反量化则相反（例如，当您想从量化为 uint8 且量化输出在 0-255 之间的模型中获取概率时）。

数学很简单，就像更一般的形式规范化（使范围从 (0 到 1)）：

量化：q = (f / s) + z 去量化：f = (q - z) * s 有关此量化方程的更多信息，请参阅Quantization Specification。

---

注意： Aleksandr Kondratyev 的方程 f = (q - zero_point) * scale 实际上是反量化，因为它需要 q（量化值）并为您提供 f（浮点数）。当然，您可以将等式倒转得到另一个。