文献阅读（20）

• 题目：HAQ: Hardware-Aware Automated Quantization with Mixed Precision
• 时间：2019
• 会议：IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
• 研究机构：韩松
• github: https://github.com/mit-han-lab/haq-release

他引用的论文
A scalable bit-serial matrix multiplication overlay for reconfigurable computing
Bit fusion: Bit-level dynamically composable architecture for accelerating deep neural network
Netadapt: Platform-aware neural network adaptation for mobile applications

1 abstract & introduction &related work

确定每层网络的量化位宽，设计空间过大

• H：硬件平台数量
• M：M个网络模型
• N：一个网络有N层
  假设每层网络weight和activation的位宽是1-8bit之间，则可能性有$O(H*M*8^{2N})$种

人工定点化时一些的规律：

• 第一层和最后一层位数多一点
• 卷积层更敏感，位宽要比全连接层多

本篇论文的贡献：

• 自动化的Hardware-Aware Automated Quantization (HAQ) framework
• 硬件可以直接反馈
• 强化学习采用了deep deterministic policy gradient

related work

• quantization
• autoML
• efficient model

2 approach

2.1 observation(state space)

这里定义了状态，分成卷积层和全连接层

2.2 action space

一旦硬件的指标不满足，就会降低每层的位宽来满足限制

2.3 硬件的直接反馈

2.4 量化

就是正常的量化策略，先截断，再就近取数
本篇论文的量化可以分成三种：

• 延时限制的量化
• 能耗限制的量化
• 模型大小限制的量化

2.5 reward function奖励函数

奖励函数只跟准确率有关

2.6 agent

利用了这个算法deep deterministic policy gradient(DDPG)