2、对称量化 vs 非对称量化：原理、公式推导与适用场景对比

聊到量化，绕不开的一个核心选择题就是：用对称量化还是非对称量化？

我记得刚入行那会儿，看到这两个概念总觉得差不多。反正都是把 float 转成 int 嘛，有啥区别？后来在部署一个 MobileNet 模型时吃了大亏——用对称量化精度掉得厉害，换成非对称立马好了。嗯，从那以后我才真正去抠这两个东西的数学本质。

今天咱们就把这事彻底讲透。我会从原理、公式到实战场景，一步步拆解。

2.1 量化的本质：一个映射问题

说白了，量化就是找一个映射函数，把浮点数范围映射到整数范围。

假设我们有一组浮点数 r，要映射到 q（比如 int8 的 [-128, 127]）。这个映射可以写成：

q = round(r / scale + zero_point)

其中：

• scale：缩放因子，决定每个整数步长代表多少浮点数
• zero_point：零点偏移，决定浮点 0 对应哪个整数

对称量化和非对称量化的区别，就在 zero_point 上。

2.2 对称量化：简单但浪费

对称量化的公式很干净：

q = round(r / scale)
scale = max(|r_max|, |r_min|) / (Q_max - Q_min) * 2

为什么叫「对称」？因为它的量化范围关于 0 对称。比如 int8 的 [-128, 127]，float 的 [-a, a]。

我个人的习惯是：如果模型权重分布接近正态分布且均值接近 0，我会优先尝试对称量化。比如 Conv 层的权重，大部分时候对称量化效果就不错。

但这里有个坑——浪费了精度。

你想想看，如果浮点数的实际范围是 [-0.1, 100]，对称量化会把它映射到 [-128, 127] 的对称范围。但实际数据根本用不到负半轴那么多格子，相当于把一半的整数精度浪费了。

2.3 非对称量化：灵活但多一个参数

非对称量化的公式多了一个 zero_point：

q = round(r / scale + zero_point)
scale = (r_max - r_min) / (Q_max - Q_min)
zero_point = round(Q_min - r_min / scale)

注意看，这里的 scale 计算用的是 实际范围，而不是对称范围。所以它能充分利用整个整数区间。

举个例子：

假设 float 数据范围是 [0.0, 100.0]，映射到 int8 [0, 255]：

• scale = (100 - 0) / (255 - 0) ≈ 0.392
• zero_point = round(0 - 0 / 0.392) = 0

你看，这种情况下 zero_point 恰好是 0，其实退化成对称量化了。但如果是 [-0.1, 100.0]：

• scale = (100 - (-0.1)) / 255 ≈ 0.3925
• zero_point = round(0 - (-0.1) / 0.3925) ≈ 0

嗯，这里 zero_point 还是接近 0。真正体现非对称优势的场景是数据分布严重偏斜时。

2.4 公式推导：从浮点到整数的完整映射

咱们把公式完整推导一遍，这样你以后遇到问题可以自己算。

对称量化：

已知：
  r ∈ [r_min, r_max]
  q ∈ [-Q_max, Q_max]  (int8: [-128, 127])

推导：
  scale = max(|r_max|, |r_min|) / Q_max
  q = round(r / scale)
  
反量化：
  r_approx = q * scale

非对称量化：

已知：
  r ∈ [r_min, r_max]
  q ∈ [Q_min, Q_max]  (uint8: [0, 255])

推导：
  scale = (r_max - r_min) / (Q_max - Q_min)
  zero_point = round(Q_min - r_min / scale)
  q = round(r / scale + zero_point)
  
反量化：
  r_approx = (q - zero_point) * scale

注意看，非对称量化多了一个 zero_point 的加减操作。这在硬件实现上会多一次加法，但换来的是精度提升。

2.5 适用场景对比：一张表说清楚

对比维度	对称量化	非对称量化
zero_point	固定为 0	可调，非 0
整数范围利用率	低（数据偏斜时浪费一半）	高（完全利用）
硬件实现	简单（少一次加法）	稍复杂（多一次加法）
权重量化	推荐（权重分布通常对称）	可用，但没必要
激活值量化	不推荐（分布偏斜）	推荐（灵活适配）
精度损失	数据对称时小，偏斜时大	整体更稳定

2.6 知识结构图：量化选择决策流程

下面这张图是我自己总结的决策流程，帮你快速判断该用哪种量化：

2.7 实战建议：我踩过的坑和总结

最后，分享几个我实际项目中的经验：

1. 权重用对称，激活用非对称——这是最稳妥的默认配置。权重分布通常对称，激活值通常偏斜。
2. 先跑一遍校准数据——看看实际分布再决定。我习惯用 100-500 张图片做校准，统计 min/max。
3. 注意硬件限制——有些 NPU 只支持对称量化，这时候就别纠结了，用对称量化然后做精度补偿。
4. 混合精度量化——不同层可以用不同量化方式。比如敏感层用非对称，非敏感层用对称。

好了，对称量化和非对称量化的核心内容就这些。记住一句话：对称量化省计算，非对称量化保精度。具体选哪个，看你的硬件和精度要求。

---