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

TinyML模型量化误差分析QAT感知训练调优指南

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
01
课程导入
TinyML与模型量化概述 · 学习目标 · 课程路径与实战项目预览
课程导入TinyML
02
量化基础
数值表示（定点/浮点） · 量化参数（scale/zero-po… · 均匀量化与非均匀量化
量化基础数值表示
03
量化误差来源
舍入误差 · 截断误差 · 动态范围损失
量化误差来源舍入误差
04
量化误差度量
MSE · SNR · 余弦相似度
量化误差度量MSE
05
量化感知训练（QAT）原理
直通估计器（STE） · 伪量化节点 · 前向/反向传播中的量化模拟
QAT量化感知训练
06
QAT与训练后量化（PTQ）对比
精度 · 部署成本 · 适用场景
QATPTQ
07
QAT工作流
模型准备 · 插入量化节点 · 训练配置
QAT工作流
08
量化模型训练技巧
学习率调整 · 批大小影响 · 正则化
量化模型训练技巧学习率调整
09
QAT中的超参数调优
量化位宽选择 · 对称/非对称量化 · per-tensor与per-cha…
QAT超参数调优
10
误差分析工具
TensorBoard · PyTorch/ONNX量化调试工具 · 逐层误差可视化
误差分析工具TensorBoard
11
逐层误差分析
敏感层识别 · 层间误差累积 · 关键层保护策略
逐层误差分析敏感层识别
12
激活值量化与权重量化
不同量化策略对误差的影响 · 混合精度量化入门
激活值量化权重量化
13
QAT实战（PyTorch）
使用torch.ao.quantiz… · 完整代码流程与调参
QATPyTorch
14
QAT实战（TensorFlow）
使用TensorFlow Model… · 对比PyTorch实现
QATTensorFlow
15
QAT实战（TFLite/Edge）
将QAT模型导出为TFLite · 在MCU/边缘设备上部署与性能评估
QATTFLite/Edge
16
案例
图像分类模型（MobileNetV2…
案例MobileNetV2
17
案例
目标检测模型（YOLOv5-tiny…
案例YOLOv5-tiny
18
案例
语音唤醒词模型（DS-CNN）QAT…
案例DS-CNN
19
案例
异常检测模型（Autoencoder…
案例Autoencoder
20
常见问题
QAT训练不收敛 · 精度下降严重 · 过拟合量化噪声
常见问题QAT
21
常见问题
量化后模型输出分布偏移 · 激活值饱和 · 梯度消失/爆炸的应对
常见问题量化后模型输出分…
22
常见问题
多任务/多输出模型的量化误差平衡 · 以及量化感知损失函数设计
常见问题多任务
23
高级技巧
知识蒸馏与QAT结合 · 渐进式量化 · 量化感知架构搜索（QAS）
高级技巧QAT
24
高级技巧
混合精度量化自动搜索（HAQ） · 基于强化学习的量化策略
高级技巧HAQ
25
高级技巧
量化误差补偿（如偏置校正 · 权重均衡） · 异常值裁剪与平滑
高级技巧量化误差补偿
26
硬件适配
不同MCU/加速器（ARM Cort… · RISC-V · NPU）的量化约束与优化
硬件适配MCU
27
部署与验证
量化模型在真实硬件上的性能测试 · 功耗/延迟/精度权衡
部署验证
28
综合实战
从零构建一个TinyML量化项目（数…
综合实战TinyML
29
综合提升
设计量化误差分析报告模板 · 制定QAT调优决策树 · 形成最佳实践
综合提升设计量化误差分析…
30
课程总结与展望
量化技术前沿（低比特 · 二值化） · QAT自动化工具
课程总结量化技术前沿