“把连续或大数值映射成离散或小数值” 的过程，在深度网络里主要有两条主线：
-
特征量化（常见于检测/分割的 RoI 系列）
-
把浮点坐标 四舍五入到整像素
例：x=6.7 → 6，y=3.2 → 3 -
目的：让特征图上的索引变成整数，方便直接切片
-
副作用：引入 量化误差（0.5 px 级），对小目标/边缘精度不利 → 因此被 RoI Align 的双线性插值取代
-
模型量化（部署优化）
-
把 32-bit 浮点权重/激活 压缩到 8-bit、4-bit 甚至 1-bit
-
方法：
-
线性量化：r = round(s · w) + z
-
非线性/对数量化、感知训练量化 (QAT)、后训练量化 (PTQ)
-
-
收益：模型体积 ↓4×，推理速度 ↑2~4×，功耗 ↓，适合移动端/边缘芯片
一句话总结
量化 = 把“连续值→离散值”或“高精度→低精度”的映射操作；
在特征对齐里叫“取整”，在模型部署里叫“低比特压缩”。
量化 = 把“连续值→离散值”或“高精度→低精度”的映射操作；
在特征对齐里叫“取整”，在模型部署里叫“低比特压缩”。