oneDNN项目在AArch64平台上的卷积量化精度问题分析

问题背景

在oneDNN项目的持续集成测试中，开发团队发现了一个针对AArch64 CPU架构的测试失败问题。具体表现为在运行test_graph_unit_dnnl_convolution_cpu测试套件时，ConvBiasAddEltwise测试用例出现了数值精度不匹配的情况。

问题现象

测试用例比较了两个浮点数值：

• 实际输出值：-0.072591752
• 期望参考值：-0.072591871

两者之间存在微小的差异（约1.19×10⁻⁷的相对误差），导致测试断言失败。这个问题出现在一次量化重构的代码变更后，首次出现在提交af1410c2中。

技术分析

量化重构的影响

量化是深度学习推理中的重要优化技术，它将浮点计算转换为整数计算以提高性能。最近的量化重构可能改变了以下方面：

1. 量化/反量化的舍入方式
2. 中间结果的累加顺序
3. 数值处理的精度控制

AArch64架构特性

AArch64架构（如AWS c7g实例使用的CPU）具有与x86不同的浮点运算特性：

1. 可能使用不同的浮点运算单元
2. 可能有不同的默认舍入模式
3. 向量化指令集的实现差异

测试验证方法

当前测试使用了严格的相等比较，这在浮点运算中通常是不合适的，因为：

1. 不同架构可能产生略有不同的结果
2. 运算顺序变化会导致不同的舍入误差
3. 量化过程本身会引入微小误差

解决方案

合理的解决方法应包括：

1. 使用近似比较代替严格相等比较
2. 设置合理的误差容忍阈值
3. 考虑量化特有的误差范围
4. 确保跨架构的一致性

经验总结

这个案例提醒我们：

1. 浮点比较应该考虑架构差异
2. 量化操作会引入数值精度变化
3. CI测试需要覆盖多种硬件平台
4. 数值敏感的变更需要全面的回归测试

在深度学习框架开发中，正确处理数值精度问题对于确保模型推理的正确性和跨平台一致性至关重要。开发者需要在性能优化和数值精度之间找到平衡点，并通过合理的测试策略来验证这种平衡。