---
title: ADA
description: "在对神经网络进行量化时，主要方法是将每个浮点权重分配给其最接近的定点值。但这不是最佳的量化策略。本文引入的AdaRound(Adaptive Rounding)，一种用于训练后量化的更好的权重舍入机制，它可以适应数据和任务损失，并且仅需要少量未标记的数据。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0416.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0416.html
indexId: c0b41ad95c3a7590f07d6ec7d68f6b7daf818074786eb23159b6a74cb5225eed65
---
# ADA

在对神经网络进行量化时，主要方法是将每个浮点权重分配给其最接近的定点值。但这不是最佳的量化策略。本文引入的AdaRound(Adaptive Rounding)，一种用于训练后量化的更好的权重舍入机制，它可以适应数据和任务损失，并且仅需要少量未标记的数据。

ADA权重量化算法用于PTQ流程，由于量化后的权重舍入模式会影响模型精度，ADA主要是对舍入模式进行微调，针对每个量化数据自适应向上或向下舍入模式，需要未标记的数据进行训练调优以确定不同的舍入模式。整体流程如下图所示，先将权重用KL散度算法计算weight初始量化因子scale和offset，然后使用无标签的数据进行训练，调整weight的舍入模式。

图1 ADA权重量化算法

量化后的weight计算公式如下：

，其中n和p分别是量化后的上下界。

训练过程主要是对alpha参数进行优化，目标是使得h(alpha)等于0或1：

，其中和是伸缩参数，分别取值为1.1和-0.1。

将原始weight量化，量化完成后加上h(alpha)将其反量化，将反量化的weight引入最后的算子计算中，最终输出带量化误差的结果：


损失函数计算如下：


正则项（Loss函数的后半部分），用以约束h(alpha)向0和1两个值收敛，在迭代初期较大值可以使得正则项对整体损失的影响比重变大，就会促使优化过程快速调整h(alpha)，接近最优解的区域。迭代后期，此时h(alpha)已经处于最优解区域，使用较小，不会因为微小的参数变动导致正则项剧烈变化，从而让模型在微调参数时更加稳健，避免因过度调整而错过最优解，使h(alpha)逼近最优解。