本文介绍了神经网络量化的基础知识，包括后量化训练方法、基础网络模型的构建与训练、模型测试，以及量化函数的实现，如计算尺度因子、零点和量化反量化操作。通过实例展示了在PyTorch中对MNIST数据集进行量化的过程。
神经网络量化基础
神经网络量化基础(1)——模型的构建与基础量化函数的实现
神经网络量化基础(2)——量化模型的实现
文章目录
前言
后量化训练（Post Training Quantization）：这种方法是最常用的，其中weight跟上述一样也是被提前量化好的，然后activation也会基于之前校准过程中记录下的固定的scale和zero_point进行量化，整个过程不存在量化参数scale和zero_point的再计算；
本文是在阅读博客时对代码的整理，旨在对量化的基础过程有更加清晰的认识。主要包括，基础训练模型的构建，对训练模型的测试和一些基础的量化函数求解，如：“计算尺度因子，零点，进行量化操作和反量化操作。
本文采用pytorch手工构建了一个基础网络模型，数据集采用mnist数据集，并对网络进行量化。不在赘述，直接看训练代码。
订阅专栏 解锁全文
1629
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
