量化是什么?

量化是将连续的无限值映射到一个较小的离散有限值集合的过程。在模拟和嵌入式计算的上下文中，它是关于用数字表示逼近真实世界的值，这种表示引入了对值的精度和范围的限制。量化引入了算法中的各种误差来源，如舍入误差、下溢或溢出、计算噪声和极限环。这导致了理想系统行为和计算数值行为之间的数值差异。

要管理量化的效果，需要选择正确的数据类型来表示真实的信号。您需要考虑用于编码信号的数据类型的精度、范围和伸缩，还需要考虑量化对算法数值行为的非线性累积效应。当您拥有反馈循环等结构时，这种累积效应会进一步加剧。

为什么量化问题

在转换嵌入式硬件设计的过程中需要考虑量化误差。量化误差影响信号处理、无线、控制系统、FPGA、ASIC、SoC、深度学习和其他应用。

信号处理和无线应用中的量化

在信号处理的应用中，量化误差会产生噪声，降低信号的质量信噪比(信噪比)。信噪比以dB为单位，通常描述为每增加一个比特降低x分贝。为了管理量化噪声并将其保持在可接受的水平，您需要选择正确的设置，如数据类型和舍入模式。

控制系统中的量化

在设计控制系统时，特别是低功耗微控制器时，可以使用整数或定点算法来平衡实时性能要求和低功耗约束。在这样的设计中，您需要选择数据类型，以适应来自输入传感器的信号的动态范围和精度，同时满足输出信号的精度要求，所有这些都不会因为量化而出现数值差异。

FPGA、ASIC和SoC开发中的量化

将浮点设计转换为定点设计可以通过减少FPGA资源利用率、降低功耗、满足延迟需求等来帮助最小化功耗和资源消耗。然而，这种转换引入了量化误差，因此在转换设计时必须适当地预算量化噪声。

深度学习中的量化

对于深度学习网络来说，量化是帮助加速推理以及减少嵌入式设备的内存和功耗的重要一步。缩放的8位整数量化保持了网络的准确性，同时减小了网络的规模。这使得部署到内存占用更小的设备上，为其他算法和控制逻辑留下更多空间。

当考虑到目标硬件(GPU, FPGA, CPU)架构时，可以进行量化优化。这包括整数计算、利用硬件加速器和融合层。量化步骤是一个迭代过程，以实现可接受的网络精度。

深度网络量化与部署

了解如何在MATLAB中使用白盒方法对深度神经网络进行量化、校准和验证，以在性能和准确性之间做出权衡，然后将量化的DNN部署到嵌入式GPU和FPGA硬件板上。

量化的工作方式

量化误差是非线性运算的累积效应，如信号分数部分的舍入或信号动态范围的溢出。在为嵌入式硬件转换设计时，通过观察设计中的关键信号或变量，并对量化误差进行预算，使数值差异在可接受的容忍范围内，可以将量化误差考虑在内。

用MATLAB和Simulink进行量化

使用MATLAB和Simulink，您可以:

• 探讨和分析量化误差的传播
• 自动量化您的设计到有限的精度
• 调试量化导致的数值差异

探索和分析量化误差

您可以通过自动模型范围的仪器收集仿真数据和统计信息。这些数据的MATLAB可视化使您能够探索和分析您的设计，以了解您的数据类型选择如何影响底层信号。

自动量化您的设计

您可以通过选择特定的数据类型来量化您的设计，或者您可以迭代地探索不同的定点数据类型。使用引导工作流，您可以看到量化对系统的数值行为的总体影响。

或者，您可以解决优化问题，并为您的设计选择最优的异构数据类型配置，以满足系统数值行为的容差约束。

了解更多关于定点转换的信息:

• 手动将MATLAB代码转换为定点的最佳实践
• 使用定点工具迭代转换您的Simulink模型
• 使用定点优化自动转换

由于量化而导致的调试数值差异

使用MATLAB，您可以识别、跟踪和调试由于量化(如溢出、精度损失和浪费的范围或设计中的精度)而导致的数值问题的来源。