引言：一般神经网络量化有两个目的：
- 为了加速，在某些平台上浮点数计算比较耗费时间，替换为整形可以加快运算
- 为了部署，某些平台上只支持整形运算，比如在芯片中
如果是第1个目的，则使用常规的量化手段就可以满足，将浮点数运算变成整形运算+较少的浮点运算
但是如果是第2个目的，那就需要对量化手段做一下改变。
如果是初学者，大家可以先看我的另一篇博客，这里有详细介绍【精选】神经网络量化----吐血总结-CSDN博客量化技术是连接学院派和工程派之间的桥梁，效果再好的网络速度不快，那么也不会在工业上普及，因此量化技术还是很有发展潜力的。_神经网络量化
https://blog.csdn.net/weixin_41910772/article/details/109637956
目录
1. 关于量化，我们需要了解哪些可以人为设计
1.1 缩放因子
1.2 权重初始化
1.3 损失
1.4 标签的变换
1.5 s设置后的收敛问题
1. 关于量化，我们需要了解哪些可以人为设计
1.1 缩放因子
以对称量化举例，输入、权重、输出可以表示为
，
，
，
在训练时设置约束，可以将他们的关系表示为
，
其中的f可以为四舍五入、向下取整或者向上取整，变换一下或许更加清晰：
那么如果你的平台只支持整形的四则运算以及移位操作，而是个浮点数，那么就需要对
做一个巧妙的设计，比如在训练时直接将这个比值表示为a*2^b，这样就将与浮点数的运算表示为与整形的乘法和移位操作了，又或者将s都限制为2^m，这样就将与浮点数的运算表示为移位操作了。
1.2 权重初始化
为了配合1.1中的对s做限制，初始化是个关键的步骤，好的初始化可以快速收敛，我个人比较喜欢torch.nn.init.xavier_normal_，这个初始化会根据扇入扇出来使得输入输出的方差保持一致，这样s1，s3不会有太大的变动。
1.3 损失
例如，在二分类中，通过的做法是最后一层使用sigmoid+BCE损失，由于sigmoid的存在会导致输入的分布过于分散，所以可以将sigmoid+BCE替换为MSE。
1.4 标签的变换
为了配合s的设置，还需要将标签变换一下，使得输出分布尽量沿原点对称且集中，比如二分类中，标签为0、1，那么可以修改为-0.5，+0.5.
1.5 s设置后的收敛问题
可以将溢出的数据的梯度设置为0。
2. 举例说明
接下来我会找一个典型的芯片部署的问题来进行说明，，，
