李宏毅机器学习课程笔记-13.3模型压缩之参数量化

参数量化就是Parameter Quantization。

1. 用更少的bit表示一个value

   比如说本来用32位表示一个weight，现在用16位表示一个weight，这样就缩小了一半。

2. Weight Clustering

   根据weight的值对weight进行聚类，每个类中的weight都用同一个value(比如该类中所有weight的平均值)表示。每个类有个id，2个bit就可以表示4个类的id(再进一步还可以使用哈夫曼编码)，在存储时只需要存储每个weight所属的类的id以及每个类对应的value即可。

   因为每个类中的weight都用了同一个value表示，所以模型会有一些精度损失。

3. Binary Weights

   weight的值只有±1。

   有不少研究者提出直接训练一个Binary Network，最早的是Binary Connect（http://arxiv.org/abs/1511.00363），其它的还有Binary Network（https://arxiv.org/abs/1602.02830）、XNOR-Net（https://arxiv.org/abs/1603.05279）。

   Binary Connect在训练中有2个分别使用real value和binary value的model，暂称为R和B。首先初始化R的参数，然后找到和R最接近的B，再使用B的梯度更新R的参数，然后再找到和R最接近的B，循环该过程直到停止，最后就使用最终的B。

   Binary Connect其实像是一种Regularization，它约束weight的值必须是±1。

---

Github（github.com）：@chouxianyu

Github Pages（github.io）：@臭咸鱼

知乎（zhihu.com）：@臭咸鱼

博客园（cnblogs.com）：@臭咸鱼

B站（bilibili.com）：@绝版臭咸鱼

微信公众号：@臭咸鱼

转载请注明出处，欢迎讨论和交流!

---