量化PTQ QAT

最新推荐文章于 2025-08-31 15:50:18 发布
转载 最新推荐文章于 2025-08-31 15:50:18 发布 · 250 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.bryh.cn/a/337445.html
文章标签：

#量化

博客围绕量化技术展开，涉及PTQ和QAT相关内容。量化是信息技术领域重要技术，PTQ和QAT在其中发挥关键作用，能提升系统性能和效率。

http://www.bryh.cn/a/337445.html

魇餍
关注
【算能】训练后量化（PTQ）深度解析
浩瀚之水的专栏
04-03 1199
PTQ是平衡效率与精度的核心技术，尤其适合边缘计算与实时推理场景。在算能TPU生态中，结合TPU-MLIR工具链与硬件级优化，开发者可快速实现模型轻量化。关键成功因素包括：​校准数据代表性、敏感层保护策略及硬件特性匹配。对于精度要求严苛的任务，建议后续探索QAT或混合精度方案。
Post-Training-Quantization（PTQ）
qq_44089890的博客
04-08 2681
Post-Training-Quantization（PTQ）是一种在训练后对量化进行的技术，它可以将原始的浮点模型转换为适合于边缘设备的低比特宽度（如8位或4位）的固定点模型。该技术可以减小模型的大小，并且可以在一定程度上加速模型的推理速度。PTQ通常分为以下几个步骤：训练模型：首先需要使用浮点模型在大规模数据集上进行训练，以获得高精度的模型。收集统计信息：在训练后，需要使用代表性数据集来收集模型的统计信息，例如权重的最大值和最小值，激活值的分布等。
模型量化（二）—— 训练后量化PTQ（全代码）
全栈O-Jay的博客
03-13 1万+
训练后量化（Post-training Quantization，PTQ）是一种常见的模型量化技术，它在模型训练完成之后应用，旨在减少模型的大小和提高推理速度，同时尽量保持模型的性能。训练后量化对于部署到资源受限的设备上，如移动设备和嵌入式设备，特别有用。
深度学习模型量化：从 PTQ 到 QAT 的深入解析---part A
weixin_42072959的博客
12-09 2574
AI模型进行边缘计算一般可以进行量化以提高计算效率，PTQ是在模型训练完成后，对模型参数和激活值进行量化的技术。由于无需修改训练过程，其实现简单且开销低。然而，PTQ会在量化过程中引入近似误差，可能导致模型精度下降。QAT通过在训练过程中模拟量化操作，让模型逐步适应量化误差，从而在量化后仍能保持较高精度。其训练过程与标准训练类似，但在每次前向传播中引入了量化和反量化操作。
YOLOv7-PTQ量化部署
周同学的博客
10-22 2438
YOLOv7-PTQ量化部署
深度学习量化总结（PTQ、QAT）
Sriven的博客
04-27 9842
并不是所有的模型，都很适合量化。在实际的生产环境中，我们经常会遇到一些模型，量化之后精度不好，其根本原因是因为浮点阶段的模型并不适合量化。这里说明一些常见的不适合量化的浮点情况。在实际执行的时候，可以通过 debug 工具去发现模型当中不适合量化的部分。受限于量化的方法和编译器的限制，目前量化的 op 实现，会有一些限制或者误差。这种算子的误差一般有两种体现，第一种是 QAT 的时候精度会有影响（情况很少），第二种是 QAT 转 Quantized 的时候精度会有影响。
深度学习量化双雄：PTQ 与 QAT 的技术剖析与实战
m0_51738372的博客
08-31 406
《深度学习量化技术：PTQ与QAT的实用指南》 本文系统介绍了FP32模型量化至INT8的两大核心技术。量化可带来4倍的模型压缩与算力提升，主要包括训练后量化(PTQ)和量化感知训练(QAT)两种方案。PTQ无需训练，通过统计权重/激活极值确定量化参数，但精度损失1-3%；QAT在训练中模拟量化误差，精度损失<0.5%，但需额外训练。实践建议：已训练模型用PTQ，精度敏感或新训练模型用QAT。量化参数(scale/zero-point)在推理时作为常量吸收，不增加计算开销。
精选资源
yolov8 PTQ和QAT量化源码
12-09
1.使用pytorch_quantization对yolov8进行量化: 包括ptq量化、敏感层分析、qat量化 2.修改ptq、qat、敏感层分析配置参数后直接运行 python yolov8_ptq_int8.py 其中： （1） quant_flow_ptq_int8.py是PTQ int8量化...
一文了解模型量化中的QAT和PTQ
热门推荐
m0_38043555的博客
06-27 2万+
一文了解模型量化中的QAT和PTQ 由于前一段时间在做模型的转换工作，实际部署的时候需要一些模型加速的方法，常用的有各家的inference框架，如mnn,tnn,tensorrt等，这些框架除了fp32精度外，都支持了int8的精度，而量化到int8常常可以使我们的模型更小更快，所以在部署端很受欢迎。 常用的模型量化方式有训练中量化，QAT,和训练后量化，PTQ，之前转trt时，用的就是PTQ，在一些常用的模型上表现还不错，几乎没有什么掉点，但是在复杂模型，如带有swish的模型啊，或者nas搜出来的模型
精选资源
基于yolov5的PTQ和QAT量化完整代码
03-18
1. quant_flow_ptq_int8.py是PTQ int8量化脚本 2. quant_flow_qat_int8.py 是QAT int8量化脚本 3. quant_flow_ptq_sensitive_int8.py 是敏感层分析的脚本
训练后量化(PTQ) 工作流理解
LF_AI的博客
07-07 7234
目前神经网络在许多前沿领域的应用取得了较大进展，但经常会带来很高的计算成本，对内存带宽和算力要求高。另外降低神经网络的功率和时延在现代网络集成到边缘设备时也极其关键，在这些场景中模型推理具有严格的功率和计算要求。神经网络量化是解决上述问题有效方法之一，但是模型量化技术的应用会给模型带来额外噪音，从而导致精度下降，因此工程师对模型量化过程的理解有益于提高部署模型的精度。本文...
PTQ量化和QAT量化
牵一只蜗牛去散步
10-19 2422
使用一批校准数据对训练好的模型进行校准，将训练好的FP32网络直接转换为定点计算的网络，过程中无需对原始模型进行任何训练，而只对几个超参数调整就可完成量化过程。（计算每一层的scale）同时TensorRT还会进行图优化，当一个OP设置为Int8精度，但其与另一个OP合并会导致速度更快时，TensorRT就会将两个OP合并，并忽略用户设置的INT8精度。使用QAT量化时，会为权重值和激活值插入Q节点（量化节点，FP32→INT8）和DQ节点（反量化节点，INT8→FP32）来模拟量化的过程。
随机午餐菜单生成器功能开发
12-21
前端React组件实现的随机午餐菜单生成器的功能
基于机器学习的癫痫病发作预测与脑电波实时分析系统_通过傅里叶变换主成分分析降维和通道间相关性系数提取进行脑电信号特征工程结合随机森林支持向量机逻辑回归和决策树等多元分类算法.zip
12-21
基于机器学习的癫痫病发作预测与脑电波实时分析系统_通过傅里叶变换主成分分析降维和通道间相关性系数提取进行脑电信号特征工程结合随机森林支持向量机逻辑回归和决策树等多元分类算法.zip
需求响应动态冰蓄冷系统与需求响应策略的优化研究（Matlab代码实现）
12-21
需求响应动态冰蓄冷系统与需求响应策略的优化研究（Matlab代码实现）内容概要：本文围绕“需求响应动态冰蓄冷系统与需求响应策略的优化研究”展开，基于Matlab代码实现，重点探讨了冰蓄冷系统在电力需求响应背景下的动态建模与优化调度策略。研究结合实际电力负荷与电价信号，构建系统能耗模型，利用优化算法对冰蓄冷系统的运行策略进行求解，旨在降低用电成本、平衡电网负荷，并提升能源利用效率。文中还提及该研究为博士论文复现，涉及系统建模、优化算法应用与仿真验证等关键技术环节，配套提供了完整的Matlab代码资源。; 适合人群：具备一定电力系统、能源管理或优化算法基础，从事科研或工程应用的研究生、高校教师及企业研发人员，尤其适合开展需求响应、综合能源系统优化等相关课题研究的人员。; 使用场景及目标：①复现博士论文中的冰蓄冷系统需求响应优化模型；②学习Matlab在能源系统建模与优化中的具体实现方法；③掌握需求响应策略的设计思路与仿真验证流程，服务于科研项目、论文写作或实际工程方案设计。; 阅读建议：建议结合提供的Matlab代码逐模块分析，重点关注系统建模逻辑与优化算法的实现细节，按文档目录顺序系统学习，并尝试调整参数进行仿真对比，以深入理解不同需求响应策略的效果差异。
综合能源系统零碳优化调度研究（Matlab代码实现）
12-21
综合能源系统零碳优化调度研究（Matlab代码实现）内容概要：本文围绕“综合能源系统零碳优化调度研究”，提供了基于Matlab代码实现的完整解决方案，重点探讨了在高比例可再生能源接入背景下，如何通过优化调度实现零碳排放目标。文中涉及多种先进优化算法（如改进遗传算法、粒子群优化、ADMM等）在综合能源系统中的应用，涵盖风光场景生成、储能配置、需求响应、微电网协同调度等多个关键技术环节，并结合具体案例（如压缩空气储能、光热电站、P2G技术等）进行建模与仿真分析，展示了从问题建模、算法设计到结果验证的全流程实现过程。; 适合人群：具备一定电力系统、能源系统或优化理论基础，熟悉Matlab/Simulink编程，从事新能源、智能电网、综合能源系统等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①开展综合能源系统低碳/零碳调度的科研建模与算法开发；②复现高水平期刊（如SCI/EI）论文中的优化模型与仿真结果；③学习如何将智能优化算法（如遗传算法、灰狼优化、ADMM等）应用于实际能源系统调度问题；④掌握Matlab在能源系统仿真与优化中的典型应用方法。; 阅读建议：建议结合文中提供的Matlab代码与网盘资源，边学习理论模型边动手调试程序，重点关注不同优化算法在调度模型中的实现细节与参数设置，同时可扩展应用于自身研究课题中，提升科研效率与模型精度。
基于微信小程序平台开发的顾客端智能点餐系统_实现扫码快速进入餐厅点餐界面_动态加载与展示后台菜品数据_支持用户将心仪菜品添加至虚拟购物车_可在购物车内灵活调整菜品数量或删除已选项目.zip
12-21
基于微信小程序平台开发的顾客端智能点餐系统_实现扫码快速进入餐厅点餐界面_动态加载与展示后台菜品数据_支持用户将心仪菜品添加至虚拟购物车_可在购物车内灵活调整菜品数量或删除已选项目.zip
LS-DYNA水下爆炸仿真K文件实例
12-21
LS-DYNA软件中关于水下爆炸现象的经典仿真案例数据文件，可作为相关研究的重要参考资料。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
Flowable工作流课程
最新发布
12-21
下载前可以先看下教程 https://pan.quark.cn/s/98e76d2fbe0a Van 项目介绍：随便写的个人项目，似乎也用不上swagger 目标 无 安装步骤 创建一个数据库：van 执行db文件夹内的sql脚本 将application-local.yml.bak复制一份，重命名为：application-local.yml VM Options添加 启动VanApplication 数据库备份 Feature 自动完成字段 增删(需要动态生成并执行SQL) 大家在使用本项目时，推荐结合贺波老师的书 《深入Flowable流程引擎：核心原理与高阶实战》(https://item.jd.com/14804836.html)学习。 这本书得到了Flowable创始人Tijs Rademakers亲笔作序推荐，对系统学习和深入掌握Flowable的用法非常有帮助。 book-thumb.jpg
PTQ QAT
12-08
### PTQ详细介绍 #### 原理 PTQ即训练后量化，没有反向传播不进行权重更新，前向传播只是用来统计。其核心是在训练图里插入FakeQuant节点，公式为$w_q = round(clip(w / scale)) * scale$ 。前向过程模拟量化误差，反向传播时采用STE把梯度直接传给FP32权重。PTQ不依赖原始训练过程，只需对模型进行少量样本的统计与校准即可完成，通过分析权重和激活的统计分布，寻找一个最优的量化映射，使离散化误差最小化。PTQ没有反向传播不进行weight更新，前向只是用来统计，伪量化对PTQ来说可有可无 [^3][^4]。 #### 应用场景 适用于模型已训练好，且对精度要求不苛刻的场景。当模型需要快速部署到边缘设备，且能够接受一定的精度损失时，PTQ是一个不错的选择。它可以在不进行大规模重新训练的情况下，快速将模型进行量化，减小模型大小并提升推理速度 [^3]。 ### QAT详细介绍 #### 原理 QAT即量化感知训练，需要插入QAT算子且需要训练进行微调。流程为准备一个预训练模型，在模型中添加QAT算子，微调带有QAT算子的模型，将微调后模型的量化参数（q - params）存储下来，最后量化模型执行推理。在训练时采用伪量化，因为如果不使用伪量化，由于导数为0无法进行梯度更新。在训练图里插入FakeQuant节点，前向模拟量化误差，反向传播时STE把梯度直接传给FP32权重，让网络学会“抗量化”。其粒度方面，默认权重是per - channel，激活是per - tensor，最新研究中scale/zero - point亦可作为可学习参数进行端到端更新 [^2][^3]。 #### 应用场景 适用于精度敏感，可接受再训练的场景。当模型对精度要求较高，且有足够的训练资源（如完整训练集和GPU时间）时，QAT能够在量化的同时保证模型精度几乎无损，支持4 - bit超低比特量化 [^3]。 以下是PyTorch中QAT的示例代码： ```python import torch, torchvision, torch.quantization as tq model = torchvision.models.resnet18(pretrained=True) model.train() tq.prepare_qat(model, qconfig=tq.get_default_qat_qconfig('fbgemm')) opt = torch.optim.AdamW(model.parameters(), 1e-4) # 假设train_loader是训练数据加载器 for x, y in train_loader: loss(model(x), y).backward() opt.step() torch.jit.save(tq.convert(model.eval()), 'qat.pt') ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值