INT8 Quantizationとは
INT8 Quantizationとは、深層学習モデルのサイズを縮小し、推論速度を向上させるための技術である
読み: イントエイト クオンタイゼーション
モデルのパラメータ（重みや活性化関数）を、通常用いられる32ビット浮動小数点数（FP32）から8ビット整数（INT8）に変換する。これにより、メモリ使用量を削減し、計算効率を高めることが可能になる。
かんたんに言うと
深層学習モデルを軽くして速くするための、数値の表現方法を変える技術である。
INT8 Quantizationの仕組み
INT8 Quantizationでは、FP32で表現されていた値をINT8の範囲にマッピングする。このマッピングには、線形スケーリングやクリッピングなどの手法が用いられる。重要なのは、精度をできる限り維持しながら、データ型を変換することである。変換後のINT8の値は、元のFP32の値に近い範囲に分布するように調整される。この調整によって、量子化による精度の低下を最小限に抑えることができる。
INT8 Quantizationのメリット
INT8 Quantizationの主なメリットは、モデルサイズの縮小と推論速度の向上である。モデルサイズが小さくなることで、メモリ使用量が削減され、モバイルデバイスやエッジデバイスなど、リソースが限られた環境での利用が容易になる。また、INT8演算はFP32演算よりも高速に実行できるため、推論速度が向上する。これにより、リアルタイム処理が求められるアプリケーションに適している。
INT8 Quantizationの種類
INT8 Quantizationには、大きく分けて学習後量子化（Training Quantization）と量子化対応学習（Quantization-Aware Training）の2種類がある。学習後量子化は、学習済みのモデルに対して量子化を行う手法であり、実装が比較的容易である。量子化対応学習は、学習時に量子化を考慮した学習を行う手法であり、より高い精度を達成できる可能性がある。どちらの手法を選択するかは、精度要件や利用可能なリソースによって決定される。