实验结果

图像分类任务：

本文在CIFAR10和ImageNet等图像分类数据集进行INT8训练实验。从下表结果中可以看出，在大多数网络结构中均取得了比现有最好方法更优的精度，并且首次在MobileNet、Inception等网络上进行量化训练实验，精度损失也在1．5％以内。

目标检测任务：

同时，本文也首次尝试在PASCAL和COCO等目标检测数据集上进行INT8训练实验，精度损失也在2％以内。

已有的少量探究梯度量化的论文［4］均未报告算法在实际训练任务中的真实加速性能，为了最大限度将方法实用化，本文在GeForce GTX1080TI显卡上编写并优化了用于支持INT8训练的卷积前向和后向计算核心。实测结果表明，使用INT8卷积计算的前向和后向过程相比于浮点计算有明显的加速，其中前向过程平均加速1．63倍，后向过程平均加速1．94倍。如下图所示：

同时，本文在实际训练过程中进行了完整的端到端测试，可以看到，INT8训练可以将ResNet50的一轮训练过程从0．360秒降低到0．293秒，整体训练过程提速了22％。

References 

［1］ Ruihao Gong， Xianglong Liu， Shenghu Jiang， TianxiangLi，Peng Hu， Jiazhen Lin， Fengwei Yu， and Junjie Yan． Differen－tiable softquantization：  Bridging full－precisionand low－bitneural networks． In ICCV， October 2019．

［2］ RundongLi， Yan Wang， Feng Liang， Hongwei Qin， Junjie Yan， and Rui Fan． Fully quantizednetwork for object detection． In The IEEE Conference on Computer Vision andPattern Recognition （CVPR）， June 2019．

［3］ Benoit Jacob，Skirmantas Kligys， Bo Chen， Menglong Zhu， Matthew Tang， Andrew Howard， HartwigAdam， and Dmitry Kalenichenko． Quantization and training of neural networks forefficient integer－arithmetic－only inference． 2018 IEEE Conference on ComputerVision and Pattern Recognition（CVPR）， June 2018．

［4］ Yukuan Yang， Shuang Wu， LeiDeng， Tianyi Yan， Yuan Xie， and Guoqi Li． Training high－performance andlarge－scale deep neural networks with full 8－bit integers， 2019．