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

QAT模型导出到TFLite Micro的端到端流程

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

学习目标 · 适用人群 · 整体流程概览

课程导入学习目标

什么是量化 · 对称与非对称量化 · 量化参数（scale/zero-po…

量化基础什么是量化

QAT核心概念

训练时量化与后训练量化的区别 · 伪量化节点 · 直通估计器（STE）原理

QAT核心概念

QAT模型准备

选择合适模型架构 · 准备数据集 · 定义量化感知训练配置（如tf.qua…

QAT模型准备

QAT训练流程

插入伪量化节点 · 训练超参数调整 · 验证量化精度

QAT训练流程

模型评估与调优

量化前后精度对比 · 常见精度下降原因 · 如何通过调整量化配置或训练策略恢复精…

模型评估调优

TFLite转换基础

TFLite Converter简介 · 从SavedModel到TFLite… · 转换选项（优化

TFLite转换基础

QAT模型导出到TFLite

使用TFLiteConverter.… · 设置experimental_new… · 处理量化感知信息

TFLite模型验证

使用TFLite Interpret… · 比较输出与原始模型 · 评估量化模型在CPU/GPU上的性能

TFLite模型验证

TFLite Micro简介

TFLite Micro架构 · 支持的硬件平台 · 与TFLite的差异

TFLite Micro部署准备

模型大小优化 · 算子兼容性检查 · 转换为C++数组（xxd）或嵌入式文…

TFLite Micro运行时集成

初始化解释器 · 分配张量 · 设置输入

端到端实战（一）

从PyTorch/TensorFlo…

端到端实战PyTorch/Tens…

端到端实战（二）

将TFLite模型部署到Arduin… · 实现图像分类或语音识别

端到端实战TFLite

端到端实战（三）

处理动态输入 · 多输入输出 · 自定义算子（如自定义激活）的导出与部…

端到端实战处理动态输入

量化感知训练的高级技巧

混合精度量化 · 量化范围调整 · 感知量化蒸馏

量化感知训练的高…混合精度量化

TFLite Micro算子支持与映射

常见算子（Conv2D · DepthwiseConv2D · FullyConnected等）在T…

内存优化与性能调优

arena内存分配 · 算子融合 · 模型剪枝与量化结合

内存优化性能调优

常见问题与解决方案（一）

转换失败 · 算子不支持 · 精度损失严重

常见问题解决方案

常见问题与解决方案（二）

部署时崩溃 · 内存不足 · 推理结果错误

常见问题解决方案

工具链与自动化

使用TensorFlow Model… · 自动化转换脚本 · CI/CD集成

工具链自动化

工业视觉检测中的QAT模型部署到TF…

案例研究QAT

语音唤醒词识别（KWS）的QAT模型…

案例研究KWS

传感器数据分析（如异常检测）的QAT…

案例研究QAT

与Edge Impulse、STM32Cube.AI等第三方工具链的集成对比。

与Edge Impulse · 核心概念 · 实践要点

模型量化与部署的数学原理

量化误差分析 · 噪声鲁棒性 · 量化感知训练的理论保证

模型量化部署的数学原理

安全性与可靠性

量化模型在嵌入式环境中的数值稳定性 · 对抗样本影响 · 故障处理

安全性可靠性

性能基准测试

如何设计基准测试 · 测量延迟 · 吞吐量

性能基准测试如何设计基准测试

从零构建一个完整的端到端系统（数据采… · 并撰写报告

综合项目从零构建一个完整…

课程总结与进阶方向

回顾关键知识点 · 常见陷阱 · 未来趋势（如混合精度

课程总结进阶方向