4. 量化感知训练(QAT)

量化感知训练，圈里人常叫 QAT。说白了，就是让模型在训练阶段就「体验」一下量化后的精度损失，然后自己想办法把损失补回来。

我刚开始接触 QAT 时，总觉得这玩意儿有点玄学。明明推理时要做量化，为什么训练时还要模拟一遍？后来在部署一个 MobileNetV3 的项目里踩了坑，才真正理解它的价值。嗯，咱们今天就把这块硬骨头啃下来。

4.1 为什么需要 QAT？

先看一个简单的问题。你用 PTQ（训练后量化）把模型从 FP32 压到 INT8，结果精度掉了 3 个点。怎么办？

有人会说：「调一下校准集，换一种量化方法试试。」但很多时候，这些招数都不管用。尤其是小模型、低比特量化（4-bit、2-bit），PTQ 基本扛不住。

QAT 的思路完全不同——它让模型在训练过程中「学会」量化带来的误差，然后通过梯度更新把权重调整到更适合量化后的分布。

4.2 模拟量化：前向传播的「假动作」

QAT 的前向传播，其实是在做一件很巧妙的事——用浮点数模拟整数的计算过程。

具体来说，我们在网络中插入 伪量化节点（FakeQuant）。这些节点干两件事：

1. 量化：把浮点数映射到整数范围（比如 INT8 的 [-128, 127]）
2. 反量化：再把整数映射回浮点数

你想想看，这一来一回，精度损失就模拟出来了。但关键是，数据格式仍然是 FP32，梯度可以正常传播。

伪量化的数学表达式很简单：

# 伪量化操作
q = clamp(round(x / scale) + zero_point, q_min, q_max)
x_hat = (q - zero_point) * scale

这里的 scale 和 zero_point 就是量化参数。在 QAT 训练过程中，它们可以是固定的（从校准集统计得到），也可以是可训练的（LSQ 方法）。

4.3 直通估计器（STE）：反向传播的「障眼法」

这里有个大问题。你仔细看上面的伪量化公式——round() 函数，它的梯度几乎处处为 0。如果梯度为 0，网络就学不动了。

怎么办？

学术界提出了一个非常巧妙的 trick，叫 直通估计器（Straight-Through Estimator, STE）。

STE 的核心思想就一句话：前向传播该量化就量化，反向传播假装量化不存在。

具体来说：

• 前向：计算 y = round(x)
• 反向：计算 ∂y/∂x = 1（假装 round 是恒等函数）

这听起来有点粗暴，但实践证明它 works。为什么？因为 round 的误差其实很小，直接用 1 近似梯度，网络依然能收敛到不错的位置。

4.4 QAT 的完整训练流程

咱们把整个流程串起来，看看 QAT 到底怎么跑：

步骤	操作	说明
1	加载预训练 FP32 模型	最好用已经收敛的模型，不要从头训
2	插入 FakeQuant 节点	在权重和激活值后面各加一个
3	初始化量化参数	用少量校准数据统计 scale/zero_point
4	小学习率微调	通常用 1e-5 ~ 1e-4，训几个 epoch
5	冻结 BN 层	BN 在 QAT 中容易不稳定，建议冻结
6	导出 INT8 模型	去掉 FakeQuant，只保留量化权重

4.5 QAT 与 PTQ 的对比

很多同学会问：「QAT 这么麻烦，我直接用 PTQ 不行吗？」

我列个表，你一看就明白了：

维度	PTQ	QAT
是否需要训练	不需要	需要微调
精度损失	较大（尤其小模型）	较小（可接近 FP32）
部署时间	几分钟	几小时到几天
适用场景	大模型、高比特	小模型、低比特
硬件适配	通用	需支持 QAT 算子

我个人习惯是：先跑 PTQ，精度达标就直接用。不达标再上 QAT。别一上来就 QAT，浪费时间。

4.6 QAT 的工程实现细节

纸上谈兵差不多了，咱们看看代码。下面是一个 PyTorch 风格的伪量化实现：

class FakeQuantize(torch.autograd.Function):
    @staticmethod
    def forward(ctx, x, scale, zero_point, q_min, q_max):
        # 量化
        x_int = torch.round(x / scale) + zero_point
        x_int = torch.clamp(x_int, q_min, q_max)
        # 反量化
        x_hat = (x_int - zero_point) * scale
        return x_hat

    @staticmethod
    def backward(ctx, grad_output):
        # STE：梯度直接通过
        return grad_output, None, None, None, None

你看，反向传播里直接返回 grad_output，这就是 STE 的精髓——假装 round 不存在。

4.7 QAT 的常见变体

QAT 不是只有一种玩法。这些年学术界搞出了不少变体，我挑几个实用的说说：

• LSQ (Learned Step Size Quantization)：让 scale 也参与训练，精度更高，但训练更不稳定
• PACT (Parameterized Clipping Activation)：在激活值量化前加一个可训练的截断阈值，适合 ReLU 类激活函数
• QAT with Knowledge Distillation：用 FP32 教师模型指导 INT8 学生模型训练，效果拔群

我在部署一个 3-bit 的语义分割模型时，就是用了 LSQ + 知识蒸馏，才把 mIoU 从 68% 拉回到 72%。单用 QAT 只能到 70%。

4.8 QAT 的注意事项

最后，说几个容易踩的坑：

嗯，QAT 的内容差不多就这些。说白了，它就是用训练时间换推理精度。如果你的模型对延迟和功耗要求极高，QAT 几乎是必经之路。