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量化感知训练QAT入门：fake quant到导出

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 · 目标学员 · 课程结构

课程导入学习目标

边缘设备约束 · 模型大小与推理速度 · 典型应用场景（关键词唤醒

TinyML边缘设备约束

神经网络量化基础

定点数与浮点数 · 量化参数（scale · zero-point）

神经网络量化基础定点数

量化方案概览

训练后量化（PTQ）与量化感知训练（… · 各自适用场景 · QAT的优势与挑战

量化方案概览PTQ

伪量化（Fake Quant）原理

什么是fake quant · 量化/反量化操作在训练图中的位置 · 伪量化如何模拟量化误差

QAT核心流程

预训练模型 · 插入伪量化节点 · 微调训练

QAT核心流程

量化算子与张量

权重 · 激活 · 偏置的量化策略

量化算子张量

QAT中的梯度处理

直通估计器（STE）原理 · 伪量化节点的反向传播 · 梯度截断与缩放

QAT梯度处理

QAT训练技巧

学习率调整 · 批大小 · 正则化

QAT训练技巧

QAT工具链概览

TensorFlow Lite（TF… · PyTorch（torch.ao.q… · ONNX Runtime

QAT工具链概览

TensorFlow QAT实战

使用TensorFlow Model… · 从模型定义到伪量化训练

PyTorch QAT实战

使用torch.ao.quantiz… · 包括fuse_model · prepare_qat

ONNX量化格式 · QAT模型导出为ONNX · 使用ONNX Runtime进行量化…

模型导出与转换

从训练模型到量化模型（TFLite · ONNX · Caffe2等）的导出步骤

模型导出转换

量化模型部署

在MCU · DSP · NPU等边缘硬件上的部署流程

量化模型部署MCU

QAT模型评估

量化模型精度评估 · 性能基准（延迟 · 吞吐量

QAT模型评估

QAT常见问题与调试

精度下降 · 训练不收敛 · 伪量化节点错误

QAT常见问题

QAT与剪枝、蒸馏结合

模型压缩组合策略 · 知识蒸馏辅助QAT · 剪枝后QAT的流程

QAT在图像分类中的应用

以MobileNetV2为例 · 完整实现QAT训练 · 导出和部署

QAT图像分类

QAT在语音唤醒中的应用

以TinyML常用语音模型（如DSC… · 实现QAT并部署到MCU

QAT语音唤醒

QAT在异常检测中的应用

基于自编码器或1D CNN的QAT实… · 处理传感器数据

QAT异常检测

QAT超参数调优

量化配置（位宽 · 对称性 · per-channel）

QAT超参数调优

QAT与硬件协同设计

不同硬件（ARM Cortex-M · RISC-V · NPU）对量化格式的支持

QAT硬件协同设计

QAT的自动化与集成

在MLOps流水线中集成QAT · 自动化训练与导出 · 版本管理

QAT的自动化

QAT前沿与扩展

低比特量化（4bit · 2bit） · 混合精度量化

综合实战项目

从零构建一个TinyML QAT项目 · 包括数据准备 · 模型设计

综合实战项目TinyML

课程总结与进阶路径

核心要点回顾 · 常见误区 · 推荐学习资源

课程总结进阶路径

QAT与PTQ的混合策略

先PTQ后QAT微调 · 部分层量化 · 动态量化与静态量化结合

QAT中的数值稳定性

溢出 · 下溢 · 舍入误差

QAT数值稳定性

QAT实战案例库

从开源项目（如TensorFlow… · PyTorch examples）中… · 并复现结果

QAT实战案例库