第一章：INT8推理概述

先问大家一个问题：一个深度学习模型，从训练到部署，到底经历了什么？

训练的时候，我们用的是FP32，甚至FP16。精度高，但代价也大。模型跑在数据中心，功耗几百瓦，没人管你。但到了推理阶段，尤其是边缘端——手机、摄像头、IoT设备——功耗和延迟就成了硬约束。

我做过一个项目，把一个人脸识别模型塞进一块嵌入式板子。FP32版本跑一次推理要120ms，功耗直接飙到5W。板子烫得能煎鸡蛋。后来做了INT8量化，推理时间降到30ms，功耗降到1.2W。效果几乎没变。你说，量化香不香？

说白了，INT8量化就是用更少的比特数去表示模型的权重和激活值。8位整数，相比32位浮点，存储小了4倍，计算快了2-4倍。对于卷积、全连接这类计算密集型算子，INT8的加速效果尤其明显。

  核心收益：
  模型体积缩小4倍（FP32 → INT8）
推理速度提升2-4倍（取决于硬件）
功耗降低50%-80%
内存带宽压力大幅减小

量化听起来玄乎，其实核心就一句话：把一个浮点数范围，映射到一个整数范围。

举个例子。假设你的权重值分布在[-1.0, 1.0]之间，你要把它映射到INT8的范围[-128, 127]。怎么做？

这里有两个流派：对称量化和非对称量化。

对称量化，顾名思义，零点就是0。映射公式很简单：

int8_value = round(float_value / scale)
scale = max(|float_min|, |float_max|) / 127

我习惯用对称量化处理权重。为什么？因为权重分布通常是对称的，均值接近0。用对称量化，零点对齐，计算起来干净利落。

我的经验： 卷积层的权重，用对称量化几乎不会掉点。但激活值就不一定了——ReLU之后全是正数，对称量化会浪费一半的表示范围。

非对称量化引入了零点（zero point），可以灵活地偏移映射范围：

int8_value = round(float_value / scale) + zero_point
scale = (float_max - float_min) / 255
zero_point = round(-float_min / scale)

你看，非对称量化能把整个浮点范围都利用起来。对于ReLU后的激活值，分布全在正半轴，非对称量化就特别合适。

我曾经踩过一个坑：用对称量化去量化一个偏置很大的激活层，结果精度直接掉了3个点。换成非对称量化，立马回来了。嗯，这里要注意：激活值量化，优先考虑非对称。

量化不是免费的午餐。你省了计算，但可能丢了精度。这个权衡，是每个做推理优化的工程师都要面对的。

为什么会掉精度？说白了，量化引入了误差。你把一个连续的浮点值，硬生生塞进256个离散的整数格子里，信息必然有损失。误差主要来自两方面：

我做过一个实验：在ResNet-50上，用INT8量化，ImageNet Top-1准确率从76.1%掉到75.8%。只掉了0.3个点，但推理速度翻了2.5倍。这个trade-off，我觉得值。

但有些模型就没这么幸运了。比如轻量级模型MobileNet，本身参数就少，量化后精度掉得厉害。我记得有一次，MobileNetV2量化后掉了1.5个点，怎么调都回不来。后来用了逐通道量化（per-channel quantization），才勉强稳住。

避坑指南： 我曾经以为所有模型都能无损量化。直到一个分割模型在边界区域出现了严重的量化噪声。后来发现，是某些通道的激活值分布特别宽，全局scale根本hold不住。解决方案：对敏感层做逐通道量化，或者保留FP32。

所以，精度和性能的权衡，没有银弹。你需要：

你想想看，量化就像给模型减肥。有的人减完肥更精神了，有的人减完肥就虚了。关键看你减的是脂肪还是肌肉。

下面这张图，是我自己总结的INT8量化标准流程。每次做量化项目，我都会先过一遍这个流程，确保不遗漏关键步骤。

这个流程我用了很多年。核心思想就一句话：先量化，再验证，不行就调。别想着一步到位，量化是个迭代的过程。

小技巧： 校准数据不要用训练集，用验证集。我试过用训练集做校准，结果过拟合了校准数据的分布，推理时遇到没见过的数据就崩。用验证集，泛化性更好。

好了，第一章就到这里。量化这件事，说难不难，说简单也不简单。关键是你得理解背后的原理，知道什么时候该用什么策略。后面的章节，我们会深入每个技术细节，包括如何实现量化算子、如何做校准、如何处理特殊层等等。

想要更多资料，联系可可