1. TensorRT FP16优化加速

FP32数据切割成FP16，会损失一定精度

加速方式：
config->setFlag(BuilderFlag::kFP16);
builder->platformHasFastFp16() builder->platformHasFastInt8()

---

2. INT8量化算法

(1）什么是INT8量化？

将基于浮点的模型转换成低精度的int8（char or uchar）数值进行运算，以加快推理速度。
主要是针对的矩阵相乘和卷积操作

(2）为什么INT8量化会快？

（a）对于计算能力大于等于SM_61的显卡，如Tesla P4/P40 GPU，NVIDIA提供了新的INT8点乘运算
的指令支持-DP4A。该计算过程可以获得理论上最大4倍的性能提升。
（b）Volta架构中引入了Tensor Core也能加速INT8运算

FP16 和 INT8能加速的本质：
通过指令 或者 硬件技术，在单位时钟周期内，
FP16 和 INT8 类型的运算次数 大于 FP32 类型的运算次数。

(3）为什么INT8量化不会大幅损失精度？

（a）神经网络的特性：具有一定的鲁棒性。
原因：训练数据一般都是有噪声的，神经网络的训练过程就是从噪声中识别出有效的信息。
思路：可以将低精度计算造成的损失理解为另一种噪声
（b）神经网络权值，大部分是正态分布，值域小且对称

(4）INT8量化算法

动态对称量化算法 使用于：

（1）PyTorch dynamic quantization
（2）ONNX quantization

主要使用在server端模型大的。

动态非对称量化算法 使用于

（1）Google Gemmlowp

主要使用在ARM的嵌入式端

静态对称量化算法 使用于

（1）PyTorch static quantization
（2）TensorRT
（3）NCNN

---

3. 三种INT8量化算法介绍

(1）动态对称量化算法

优点：算法简单，量化步骤耗时时间短；
缺点：会造成位宽浪费，影响精度。

(2）动态非对称量化算法

优点：不会造成bit位宽浪费，精度有保证；
缺点：算法较复杂，量化步骤耗时时间长。

具体的量化步骤（图中可以看出过程相当复杂）：

(3）静态对称量化算法

 动态量化，推理时实时统计数值|max|
 静态量化，推理时使用预先统计的缩放阈值，截断部分阈值外的数据

优点：算法最简单，量化耗时时间最短，精度也有所保证；
缺点：构建量化网络比较麻烦

INT8就一定快吗？
 Float 运算时间 Tfloat

 低精度运算时间Tint8

 输入量化运算时间 Tquant

 输出反量化时间 Tdequant

INT8 性能收益 = Tfloat – Tint8 – Tquant – Tdequant
经验：

权值越大，输入越小，加速比越大。
输入越大，收益越小，甚至负收益

---

4. TRT使用

（1）对于深度神经网络的推理，TRT可以充分发挥GPU计算潜力，以及节省GPU存储单元空间。
（2）对于初学者，建议先从Sample入手，尝试替换掉已有模型，再深入利用网络定义API尝试搭建
网络。
（3）如果需要使用自定义组件，建议至少先了解CUDA基本架构以及常用属性。
（4）推荐使用FP16/INT8计算模式
  • FP16只需定义很少变量，明显能提高速度，精度影响不大；
  • Int8有更多的潜力，但是可能会导致精度下降。
（5）如果不是非常了解TRT，也可以尝试使用集成了TRT的框架，但是如果不支持的网络层太多，
会导致速度下降明显。
（6）在不同架构的GPU或者不同的软件版本的设备上，引擎不能通用，要重新生成一个。