2、量化基础：什么是量化、定点数与浮点数、线性量化公式（scale和zero-point）、对称与非对称量化

在深入TFLite后训练量化（PTQ）流程之前，必须先建立对量化核心概念的清晰认知。量化本质上是一种数值表示转换技术，它把连续或高精度的数值（通常是32位浮点数）映射到离散的低精度数值（如8位整数）。这一转换并非简单的“取整”，而是涉及数值范围分析、精度损失控制以及硬件指令集适配的系统工程。理解定点数与浮点数的本质差异、掌握线性量化公式中scale（缩放因子）与zero-point（零点）的数学含义，以及区分对称与非对称量化策略的适用场景，是后续设计校准数据集、评估模型精度损失的理论基石。

上图展示了量化技术的三个核心维度：数值表示对比、线性量化公式以及量化策略选择。下面将逐一展开详细论述。

2.1 核心原理：从浮点数到定点数的本质跨越

浮点数（Floating-Point）采用科学计数法表示实数，由符号位、指数位和尾数位组成。以FP32为例，其内存布局为1位符号、8位指数、23位尾数，能够表示从极小到极大的动态范围。这种设计使得浮点数在训练阶段能够适应梯度值的剧烈变化，但也带来了较高的计算开销——浮点运算需要专门的ALU单元，且功耗和延迟显著高于整数运算。

定点数（Fixed-Point）则使用固定的小数点位置来表示数值。INT8定点数只有8位，范围限定在[-128, 127]（有符号）或[0, 255]（无符号）。虽然动态范围和精度都远不如FP32，但整数运算在硬件上极为高效：大多数CPU、GPU和NPU都针对INT8提供了SIMD加速指令，吞吐量可达FP32的2-4倍，内存带宽消耗降低75%。

量化的本质是找到一种映射关系，将浮点张量中的每个值转换为整数，同时尽可能保留原始数值的分布特征。这种映射必须满足两个条件：一是可逆性（即能从整数反推出近似浮点值），二是误差可控（即量化前后的数值差异在可接受范围内）。线性量化正是满足这两个条件的最简映射方式。

2.2 线性量化公式：scale与zero-point的数学推导

线性量化假设浮点值r与整数值q之间存在线性关系，其数学表达式为：

r = S × (q - Z)

其中：

• r：原始浮点数值（如FP32激活值或权重）
• q：量化后的整数值（如INT8）
• S（scale）：缩放因子，表示每个整数步长对应的浮点大小，计算公式为：

S = (rmax - rmin) / (qmax - qmin)

• Z（zero-point）：零点偏移，表示浮点值0对应的整数，计算公式为：

Z = round(qmax - rmax / S)

在实际应用中，校准过程首先统计浮点张量的数值范围（rmin, rmax），然后根据目标整数位宽确定（qmin, qmax）。对于INT8有符号数，qmin=-128，qmax=127；对于UINT8无符号数，qmin=0，qmax=255。TFLite默认使用INT8作为量化目标，但在某些特定场景下（如仅权重量化）也会使用UINT8。

反量化（Dequantization）操作则是将整数还原为浮点近似值：

r_approx = S × (q - Z)

这个近似值r_approx与原始r之间的差值即为量化误差。误差来源主要有两个：一是舍入误差（rounding error），由取整操作引入；二是截断误差（clipping error），当浮点值超出量化范围时被强制截断到边界值。

参数	数学含义	对精度的影响	典型取值
S（scale）	每个整数步长代表的浮点大小	S越大，步长越粗，精度越低	0.001 ~ 0.1（视数据范围而定）
Z（zero-point）	浮点0对应的整数值	Z偏移不当会导致整体偏差	通常接近0或128（UINT8）
qmin/qmax	整数表示的最小/最大值	决定可表示的浮点范围	-128/127（INT8）
rmax/rmin	浮点张量的实际数值范围	范围估计不准会引入截断误差	由校准数据集统计得出

2.3 对称与非对称量化：策略选择与适用场景

对称量化（Symmetric Quantization）要求浮点范围关于原点对称，即rmax = -rmin，此时Z恒等于0。公式简化为：

r = S × q

对称量化的优势在于：

• 实现简单，无需存储和计算零点偏移
• 卷积运算中无需额外的零点修正项，计算效率更高
• 适合权重张量——权重通常分布在小范围内且近似对称

但对称量化的缺点是：如果浮点数据分布不对称（如ReLU激活函数输出全为非负值），则有一半的整数范围（负半轴）被浪费，导致有效精度降低。

非对称量化（Asymmetric Quantization）允许浮点范围不经过原点，Z可以是非零整数。它能够充分利用整个整数范围，对于分布偏斜的数据（如激活值）精度更高。代价是计算复杂度增加——在卷积或矩阵乘法中需要额外处理Z的偏移项。

在TFLite的实际部署中，通常采用混合策略：权重使用对称量化（因为权重分布相对对称且固定），激活值使用非对称量化（因为激活值分布随输入变化且常偏斜）。这种组合在精度和效率之间取得了最佳平衡。

2.4 案例拆解：一个卷积层的量化全过程

假设我们有一个简单的卷积层，其权重张量W的FP32数值范围为[-0.5, 0.5]，激活值A（经过ReLU）的范围为[0.0, 6.0]。目标是将两者量化为INT8。

第一步：权重对称量化

W范围: rmin=-0.5, rmax=0.5
S_w = (0.5 - (-0.5)) / (127 - (-128)) = 1.0 / 255 ≈ 0.00392
Z_w = 0（对称）
量化: q_w = round(r / S_w) = round(r / 0.00392)

第二步：激活值非对称量化

A范围: rmin=0.0, rmax=6.0
S_a = (6.0 - 0.0) / (255 - 0) = 6.0 / 255 ≈ 0.02353
Z_a = round(0 - 0.0 / 0.02353) = 0
量化: q_a = round(r / 0.02353 + 0) = round(r / 0.02353)

第三步：卷积计算

原始浮点卷积：Y = W × A + b

量化后整数卷积：q_y = S_w × S_a × (q_w × q_a) + b_quantized

这里的关键在于，TFLite的量化卷积核会将S_w × S_a合并为一个缩放因子，并在累加过程中使用INT32中间精度来避免溢出，最后再缩放回INT8输出。

结果对比：假设原始浮点卷积输出某个位置为2.35，量化后反推得到的近似值为2.31，误差约1.7%。对于分类任务，这种精度损失通常不会影响Top-1准确率；但对于目标检测等对边界框回归敏感的任务，可能需要更精细的校准策略。

2.5 总结复盘：量化设计的核心决策点

在实际工程中，量化方案的设计需要回答以下四个问题：

1. 位宽选择：INT8是主流选择，但极端场景下可能需要INT16（高精度需求）或INT4（极致压缩）
2. 对称性决策：权重用对称，激活用非对称，这是TFLite的默认策略
3. 范围确定：基于校准数据统计，而非简单取min/max
4. 粒度选择：逐张量（per-tensor）量化实现简单，逐通道（per-channel）量化精度更高但计算更复杂