深度探究深度学习常见数据类型INT8 FP32 FP16的区别即优缺点

定点和浮点都是数值的表示（representation），它们区别在于，将整数（integer）部分和小数（fractional）部分分开的点，点在哪里。定点保留特定位数整数和小数，而浮点保留特定位数的有效数字（significand）和指数（exponent）。

1.FP与INT

FP代表浮点运算数据格式，包括双精度FP64 单精度FP32 半精度FP16和FP8

INT代表整数数据格式，包括INT8和INT4

后面的数字越高意味着精度越高能够支持的运算复杂度也就越高 适配场景也就越广，同样对推理端的计算资源要求也就越高；

2.FP64、FP32、FP8 和INT8、INT4 

双精度FP64 :浮点数使用64位表示，提供更好的精度和动态范围。通常应用在高精度计算的场景中，对存储空间以及计算资源要求较多  通常较少使用

单精度FP32：浮点数使用32位表示，适用于大多数科学计算和通用计算任务。通常我们训练神经网络模型的时候默认使用的数据类型为单精度FP32

半精度FP16：浮点数使用16位表示。相对于FP32提供了较低的精度,按照理论来说可以跑机器学习这些任务，但是FP16会出现精度溢出和舍入误差，所以很多应用都是使用混合精度计算的也就是FP16+FP32模式

浮点数在高精度图像处理有较大优势能够使图片中更多颜色、对比度、质感和清晰度得以保留。

但INT类型速度更快

• 第一部分为 sign 符号位 s，占 1 bit，用来表示正负号；
• 第二部分为 exponent 指数偏移值 k，占 5 bits，用来表示其是 2 的多少次幂；
• 第三部分是 fraction 分数值（有效数字） M，占 10 bits，用来表示该浮点数的数值大小。

固定点数INT8：固定点数使用固定的小数点位置来表示数值，可以使用定点数算法进行计算。相对于浮点数计算，算力和内存资源要求更低。