يوضح المستند التالي مواصفات نظام التكميم 8 بت الخاص بـ TensorFlow Lite. يهدف هذا إلى مساعدة مطوري الأجهزة في توفير دعم الأجهزة للاستدلال باستخدام نماذج TensorFlow Lite الكمية.
ملخص المواصفات
نحن نقدم مواصفات، ولا يمكننا تقديم بعض الضمانات بشأن السلوك إلا في حالة اتباع المواصفات. نحن ندرك أيضًا أن الأجهزة المختلفة قد يكون لها تفضيلات وقيود قد تسبب انحرافات طفيفة عند تنفيذ المواصفات مما يؤدي إلى عمليات تنفيذ غير دقيقة. في حين أن ذلك قد يكون مقبولاً في معظم الحالات (وسوف نقدم مجموعة من الاختبارات التي تشمل، على حد علمنا، التفاوتات المسموح بها لكل عملية والتي جمعناها من عدة نماذج)، وطبيعة التعلم الآلي (والتعلم العميق في أكثر أنواع التعلم شيوعًا) الحالة) يجعل من المستحيل تقديم أي ضمانات صارمة.
تقريب 8 بتات قيم الفاصلة العائمة باستخدام الصيغة التالية.
\[real\_value = (int8\_value - zero\_point) \times scale\]
يتم تمثيل كل محور (ويعرف أيضًا باسم كل قناة في Conv ops) أو أوزان كل موتر بواسطة القيم التكميلية int8 two في النطاق [-127, 127] مع نقطة صفر تساوي 0. يتم تمثيل عمليات التنشيط/المدخلات لكل موتر بواسطة القيم التكميلية لـ int8 two في النطاق [-128, 127] ، مع نقطة صفر في النطاق [-128, 127] .
هناك استثناءات أخرى لعمليات معينة موثقة أدناه.
عدد صحيح موقّع مقابل عدد صحيح غير موقّع
سوف يقوم تكميم TensorFlow Lite في المقام الأول بإعطاء الأولوية للأدوات والنوى لتكميم int8 لـ 8 بت. وذلك من أجل تسهيل التكميم المتماثل الذي يتم تمثيله بنقطة صفر تساوي 0. بالإضافة إلى ذلك، تحتوي العديد من الواجهات الخلفية على تحسينات إضافية لتراكم int8xint8 .
لكل محور مقابل لكل موتر
ويعني تكميم كل موتر أنه سيكون هناك مقياس واحد و/أو نقطة صفر لكل موتر كامل. يعني التكميم لكل محور أنه سيكون هناك مقياس واحد و/أو zero_point لكل شريحة في quantized_dimension . يحدد البعد الكمي بعد شكل Tensor الذي تتوافق معه المقاييس ونقاط الصفر. على سبيل المثال، موتر t ، مع dims=[4, 3, 2, 1] مع معلمات التكميم: scale=[1.0, 2.0, 3.0] , zero_point=[1, 2, 3] , quantization_dimension=1 سيتم تكميمه عبر البعد الثاني لـ t :
t[:, 0, :, :] will have scale[0]=1.0, zero_point[0]=1
t[:, 1, :, :] will have scale[1]=2.0, zero_point[1]=2
t[:, 2, :, :] will have scale[2]=3.0, zero_point[2]=3
في كثير من الأحيان، يكون quantized_dimension هو output_channel لأوزان التلافيف، ولكن من الناحية النظرية يمكن أن يكون البعد الذي يتوافق مع كل منتج نقطي في تنفيذ النواة، مما يسمح بمزيد من دقة التكميم دون آثار على الأداء. هذا له تحسينات كبيرة على الدقة.
يتمتع TFLite بدعم لكل محور لعدد متزايد من العمليات. في وقت إعداد هذا المستند، كان الدعم موجودًا لـ Conv2d وDepthwiseConv2d.
متماثل مقابل غير متماثل
عمليات التنشيط غير متماثلة: يمكن أن يكون لها نقطة الصفر في أي مكان ضمن نطاق int8 الموقع [-128, 127] . العديد من عمليات التنشيط غير متماثلة بطبيعتها، ونقطة الصفر هي وسيلة غير مكلفة نسبيًا للحصول بشكل فعال على قدر ثنائي إضافي من الدقة. نظرًا لأن عمليات التنشيط يتم ضربها فقط بأوزان ثابتة، فيمكن تحسين قيمة نقطة الصفر الثابتة بشكل كبير.
الأوزان متماثلة: تُجبر على أن تكون نقطة الصفر تساوي 0. ويتم ضرب قيم الوزن بقيم الإدخال الديناميكي وقيم التنشيط. وهذا يعني أن هناك تكلفة وقت تشغيل لا يمكن تجنبها تتمثل في ضرب نقطة الصفر للوزن مع قيمة التنشيط. ومن خلال فرض أن نقطة الصفر هي 0 يمكننا تجنب هذه التكلفة.
شرح العمليات الحسابية: هذا مشابه للقسم 2.3 في arXiv:1712.05877 ، باستثناء الاختلاف الذي نسمح به لقيم المقياس أن تكون لكل محور. وهذا يمكن تعميمه بسهولة كما يلي:
\(A\) هو أ \(m \times n\) مصفوفة التنشيط الكمي.
\(B\) هو أ \(n \times p\) مصفوفة الأوزان الكمية.
النظر في مضاعفة \(j\)الصف العاشر من \(A\), \(a_j\) بواسطة \(k\)العمود العاشر من\(B\), \(b_k\)، كلاهما من الطول \(n\). قيم الأعداد الصحيحة الكمية وقيم النقاط الصفرية هي \(q_a\), \(z_a\) و \(q_b\), \(z_b\) على التوالى.
\[a_j \cdot b_k = \sum_{i=0}^{n} a_{j}^{(i)} b_{k}^{(i)} = \sum_{i=0}^{n} (q_{a}^{(i)} - z_a) (q_{b}^{(i)} - z_b) = \sum_{i=0}^{n} q_{a}^{(i)} q_{b}^{(i)} - \sum_{i=0}^{n} q_{a}^{(i)} z_b - \sum_{i=0}^{n} q_{b}^{(i)} z_a + \sum_{i=0}^{n} z_a z_b\]