权重和激活函数到多比特基，也称为多比特网络（MBNs），以加速推理过程并减少部署在资源有限的移动和嵌入式平台上的存储需求。Adaptive Loss-aware Quantization (ALQ) 是一种新的MBN量化管道，能够在不显著降低推理准确性的情况下，将平均位宽降低到接近一比特。与以前的MBN量化方法不同，这些方法通过最小化重建全精度权重的误差来训练量化器，ALQ直接最小化量化引起的损失函数误差，无需梯度近似或全精度维护。
ALQ的关键策略包括：
1. **自适应位宽**：ALQ能够动态调整不同层的位宽，根据每个层对整体性能的影响来优化位宽分配，确保关键层的精度，同时压缩其他层。
2. **平滑位宽减小**：这一策略使得位宽的降低过程更加平缓，避免了突然的位宽变化导致的性能波动，有助于保持网络的稳定性。
3. **迭代训练量化**：通过迭代训练过程，ALQ逐步调整量化参数，使得网络能够在不断量化的过程中逐渐适应并保持性能。
在流行的图像数据集上的实验结果显示，ALQ在存储效率和准确性方面均优于现有的压缩网络。这对于移动助手、增强现实、自动驾驶汽车等资源受限设备上的智能服务来说，具有显著的优势。
在深度神经网络的量化压缩领域，ALQ的工作有以下几个主要贡献：
- **损失感知**：ALQ首次直接考虑了量化对损失函数的影响，而不仅仅是重构权重的误差，这使得量化过程更直接地与模型性能相关联。
- **无需全精度维护**：传统的量化方法通常需要全精度权重的维护来计算梯度，ALQ则摆脱了这个限制，降低了计算复杂性。
- **位宽优化**：ALQ的自适应和迭代特性允许网络根据其自身特性自动调整位宽，提高了压缩效率和准确性。
ALQ为深度神经网络的量化提供了新的思路，它通过创新的方法实现了高效且精度损失小的量化，对于推动深度学习在资源有限环境中的应用有着重要的意义。未来的研究可以进一步探索ALQ与其他压缩技术如剪枝、蒸馏的结合，以及在更多任务和模型架构上的适用性。
