边缘AI · 模型量化与精度控制 · 课程目录

量化基础 01.html

什么是模型量化？为什么边缘设备需要量化？数学原理

量化类型 02.html

对称 vs 非对称，权重量化 vs 激活量化

量化精度 03.html

INT8、INT4、FP16、混合精度 · 优缺点与场景

量化感知训练 QAT 04.html

原理介绍，训练中模拟量化误差

训练后量化 PTQ 05.html

原理，校准数据集选择与使用

精度损失分析 06.html

截断误差、舍入误差、范围不匹配

精度恢复技术 07.html

知识蒸馏、微调、混合精度微调

量化工具链 08.html

TensorRT, ONNX Runtime, TFLite, OpenVINO

硬件适配 09.html

GPU, NPU, DSP, MCU 量化支持差异

实战：MobileNet·Jetson 10.html

Jetson Nano INT8 量化与精度对比

实战：YOLOv5·树莓派 11.html

Raspberry Pi 量化部署与性能调优

实战：BERT·Android 12.html

手机端量化与推理加速

量化+剪枝 13.html

结构化/非结构化剪枝 + 量化协同

量化+蒸馏 14.html

教师-学生架构下的量化感知训练

BN融合 15.html

Batch Normalization 融合原理与实现

激活函数处理 16.html

ReLU, Sigmoid, GELU 量化难点

特殊层量化 17.html

残差连接、注意力、LayerNorm 策略

逐层误差分析 18.html

定位精度下降的关键层

量化模拟器 19.html

浮点环境模拟量化，提前发现精度问题

量化校准方法 20.html

MinMax, Histogram, KL散度, MSE

动态范围 21.html

per-tensor vs per-channel，粒度选择

对称性量化 22.html

对称量化硬件优势，非对称灵活性

零点处理 23.html

零点偏移影响，优化零点位置

溢出处理 24.html

INT8乘法溢出，INT32累加器解决

数值稳定性 25.html

梯度量化、随机舍入、直通估计器STE

量化标准与规范 26.html

MLPerf基准，ONNX量化规范

量化前沿 27.html

4-bit以下(Ternary/Binary)，混合精度搜索HAQ

量化部署全流程 28.html

PyTorch → TensorRT 完整流水线

量化性能评估 29.html

延迟/吞吐/功耗/模型大小/精度权衡

项目实战：口罩检测 30.html

树莓派部署量化口罩检测模型