VIP20

本课程属于：009-TinyML量化感知训练QAT 工业控制与工业互联网 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

基于QAT的TinyML模型训练恢复与导出指南

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

了解TinyML与QAT的基本概念 · 课程目标 · 学习路径与适用硬件平台

课程导入TinyML

掌握TinyML的定义 · 典型应用场景 · 资源约束（内存

理解模型量化原理 · 定点与浮点表示 · 对称与非对称量化

量化基础理解模型量化原理

量化感知训练（QAT）原理

掌握QAT的核心思想 · 伪量化节点作用 · 训练与推理时量化差异

QAT量化感知训练

QAT与PTQ对比

比较训练后量化（PTQ）与QAT的精… · 部署难度 · 适用场景

配置Python环境 · 安装TensorFlow/PyTor… · TFLite Micro工具链及依赖…

环境搭建Python

数据集准备

选择适合TinyML的小型数据集（如… · 图像分类） · 进行预处理与增强

数据集准备TinyML

基础模型构建

设计适合TinyML的轻量级神经网络… · DS-CNN） · 并实现训练脚本

基础模型构建TinyML

QAT模型训练

在TensorFlow中应用QAT… · 设置量化配置

QAT模型训练

QAT训练技巧

学习如何调整学习率 · 批大小 · 训练轮数

QAT训练技巧

训练恢复机制

掌握模型检查点保存 · 断点续训 · 加载预训练权重继续QAT训练的方法

训练恢复机制掌握模型检查点保…

训练中断处理

处理训练中断（如断电 · 崩溃）后的恢复流程 · 确保训练可复现

训练断处理

在验证集上评估QAT模型的精度 · 混淆矩阵 · 并与浮点模型对比

模型评估QAT

模型剪枝与蒸馏

了解结合剪枝 · 知识蒸馏进一步提升QAT模型性能的进…

模型剪枝蒸馏

模型导出为TFLite

将QAT模型转换为TensorFlo… · 设置优化选项（默认量化）

TFLite模型导出为

模型导出为ONNX

将QAT模型导出为ONNX格式 · 并验证其与推理引擎的兼容性

ONNX模型导出为

模型导出为C数组

将TFLite模型转换为C字节数组 · 用于嵌入式部署

模型导出为C数组TFLite

硬件部署准备

了解常见TinyML硬件（MCU · Cortex-M · ESP32）的部署流程与工具链

硬件部署准备TinyML

使用TFLite Micro推理

编写C++推理代码 · 加载模型 · 处理输入输出

模型大小与延迟优化

分析模型大小 · 推理延迟 · 内存占用

模型大小延迟优化

精度与资源权衡

通过实验分析不同量化位宽（8位 · 16位）对精度和资源的影响

精度资源权衡

常见问题与调试

解决QAT训练不收敛 · 精度下降 · 导出失败

常见问题调试

关键词唤醒（KWS）模型

案例实战KWS

图像分类模型（CIFAR-10）

案例实战CIFAR-10

异常检测模型

案例实战异常检测模型

自动化流水线

构建从训练 · 恢复 · 导出到部署的自动化脚本（CI/CD）

自动化流水线构建从训练

模型版本管理

使用Git和DVC管理数据集 · 模型权重 · 训练配置

模型版本管理Git

性能基准测试

制定基准测试方案 · 对比不同模型 · 量化策略在目标硬件上的表现

性能基准测试制定基准测试方案

设计一个完整的TinyML应用（如手… · 整合QAT训练 · 恢复

综合项目TinyML

课程总结与进阶

回顾核心知识点 · 推荐学习资源 · 探讨QAT在TinyML中的未来趋势

课程总结进阶