量化方法分类

💡 6. 量化方法分类

大模型的量化方法主要分为两个大类：

✅ 6.1 训练后量化（Post-Training Quantization, PTQ）

📌 定义：

PTQ 是指在模型 训练完成后，直接对其参数（权重和激活值）进行量化处理，不再参与额外训练。

📌 特点：

• 无需重新训练 → 操作简单、效率高
• 风险在于：模型在训练时并未考虑量化误差
• 一般适合 8位量化（INT8）或高精度量化场景

📊 PTQ 两种主要形式：

① 静态量化（Static Quantization）

• 所需信息：
  • 模型权重
  • 一小部分代表性的 校准数据集
• 实施流程：
  1. 校准集输入模型
  2. 收集激活值分布
  3. 离线计算比例因子（scale）和零点（zero-point）
  4. 生成固定量化参数，部署时直接使用
• ✅ 优势：执行时无需再做计算，效率高
• ⚠️ 缺点：量化误差不易自适应处理，精度可能略低

② 动态量化（Dynamic Quantization）

• 所需信息：
  • 模型权重
  • 推理时动态输入
• 实施流程：
  1. 每当有新输入传入模型
  2. 实时根据该 batch 的激活值动态计算 scale 和 zero-point
• ✅ 优势：精度通常比静态高，尤其适合动态输入变化大的模型（如 LLM）
• ⚠️ 缺点：每个 batch 需计算，推理时开销略高

🔍 对比总结：

✅ 6.2 量化感知训练（Quantization-Aware Training, QAT）

📌 定义：

QAT 是在训练/微调阶段，就引入“伪量化”模块，让模型提前“感知”量化所带来的误差，从而学习对这种误差的鲁棒性。

🧠 核心机制：

• 前向传播时将 FP32 模拟量化为 INTx（如 INT4）
• 反向传播仍使用 FP32 进行梯度更新
• 训练中加入 scale / zero-point 的学习

📌 特点：

• 损失函数中真实考虑了量化误差
• 精度优于 PTQ，尤其在低位宽（如 INT4）下表现更稳定
• 适用于对精度要求极高的部署场景

🔁 举个流程例子：

[Step 1] FP32权重 → 伪量化为INT4 → 前向传播
[Step 2] 模拟量化误差 → 反向传播更新参数
[Step 3] 权重渐渐适应INT4表示 → 精度损失变小

📌 示例图：

原始训练：     FP32 → 推理INT4，性能下降
QAT训练：     模拟INT4 → 模型学会适应INT4 → 精度维持

✅ 优势：

• 精度高，尤其适用于 4位及以下 的极限量化
• 抗量化误差能力强

⚠️ 缺点：

• 增加训练/微调开销
• 实施更复杂（需要支持 QAT 的框架）

📌 总体对比总结：

✨ 总结一句话：

PTQ 简单快捷、适合部署，而 QAT 精度更强、适合极低位宽模型的真实上线。

太好了，你现在已经掌握了很多量化基础！那我们来深入讲解 ✅ 6.2 量化感知训练（QAT） 的详细 流程与关键原理，从 动机 到 核心组件，再到 训练细节 和 部署方式，一次讲透 💡

✅ 什么是 QAT（Quantization-Aware Training）？

QAT 是在模型训练或微调阶段引入“伪量化（Fake Quantization）”操作，使模型在训练过程中提前**“感知”量化误差**，从而提升其在推理阶段的低精度表现能力（如 INT8、INT4）。

🚀 为什么需要 QAT？

🔁 QAT 的整体流程（图示 + 步骤）

步骤概览：

   ┌────────────┐
   │ 原始模型（FP32）│
   └──────┬─────┘
          ↓
   [Step 1] 注入伪量化模块（FakeQuant）
          ↓
   [Step 2] 前向传播时进行伪量化（模拟INT表示）
          ↓
   [Step 3] 反向传播时仍用FP32计算梯度
          ↓
   [Step 4] 模型学会对量化误差做出“适配性调整”
          ↓
   [Step 5] 训练结束后，导出真实量化模型（INT8/INT4）

🧠 每一步详解

🔹 Step 1：注入伪量化节点（FakeQuant Modules）

在权重（Weight）和激活值（Activation）前后加上伪量化模块（比如 PyTorch 的 FakeQuantize）：

• 对权重做模拟量化（INT8 → 再转回 FP32）
• 对激活值同样进行模拟量化

这一步保证前向传播模拟的是推理时真实量化的效果！

🔹 Step 2：前向传播中的“伪量化”

• 模拟将 FP32 数值按 INTx 精度截断
  [
  q = \text{round}\left(\frac{x}{s}\right) \times s
  ]
• 权重和激活值都执行这一步
• 效果是：损失函数中已经反映了量化误差

举例：原本 FP32 权重为 1.76，在 INT8 伪量化后变为 1.75，这是训练中的“噪声”

🔹 Step 3：反向传播保留浮点精度训练

• 虽然前向用了量化值
• 但反向传播仍用 FP32 精度更新参数（对性能有利）

这种技术称为 Straight Through Estimator（STE）
即：量化操作是不可导的，但我们近似地让它“通过”反向传播。

🔹 Step 4：训练过程中学习适配量化误差

• 模型会自动调整权重值、激活值的分布，使其更适合低精度表示
• 比如：
  • 把容易被截断的值收缩到范围内
  • 避免“narrow minima”（窄极小值）

✅ 最终，模型对量化误差不敏感，部署后精度更高！

🔹 Step 5：导出部署模型（真实量化）

• 训练完成后，导出为真实的 INTx 模型（不是伪量化）
• 权重存为 INT8，激活值可按部署框架支持动态/静态方式量化

🧪 举例说明：以 Linear 层为例

# PyTorch 示例
import torch
from torch.quantization import QuantStub, DeQuantStub, prepare_qat, convert

class QATModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.quant = QuantStub()   # 模拟量化输入
        self.fc = torch.nn.Linear(128, 64)
        self.relu = torch.nn.ReLU()
        self.dequant = DeQuantStub()  # 模拟反量化输出

    def forward(self, x):
        x = self.quant(x)
        x = self.fc(x)
        x = self.relu(x)
        x = self.dequant(x)
        return x

# QAT流程
model = QATModel()
model.qconfig = torch.quantization.get_default_qat_qconfig('fbgemm')  # 指定QAT配置
prepare_qat(model, inplace=True)  # 插入伪量化模块

# 🔁 开始训练
for epoch in range(epochs):
    for batch in data_loader:
        output = model(batch)
        loss = criterion(output, label)
        loss.backward()
        optimizer.step()

# 导出量化模型
quantized_model = convert(model.eval(), inplace=False)

🧭 什么时候用 QAT？

📌 总结要点