回答要点：
定义：将模型中高精度浮点数（如FP32）的权重和激活值，转换为低精度整数（如INT8）的过程。
工作原理（对称量化）：
确定范围：找到Tensor（权重或激活值）的绝对最大值 |max|。
计算缩放因子：scale = |max| / (2^(b-1)-1)， 对于INT8，分母是127。
量化：将FP32值除以scale，然后四舍五入到最近的整数：q = round(fp / scale)。
反量化：在计算时，将整数值转换回近似的FP32值：fp" = q * scale。
回答要点：
训练后量化：
过程：在模型训练完成后，直接对权重进行量化。对激活值的量化可能需要一个校准集来确定动态范围。
优点：简单、快速，无需重新训练。
缺点：精度损失通常较大，尤其是当模型权重或激活值分布不均匀时。
场景：作为部署前的快速优化步骤，对精度要求不极致的场景。
量化感知训练：
过程：在模型训练（或微调）过程中，模拟量化的效果。前向传播使用模拟的量化值，反向传播则通过直通估计器来更新高精度的权重。
优点：模型在训练时就“学会”了适应低精度表示，精度损失非常小，甚至可忽略。
缺点：需要额外的训练时间和计算资源。
场景：对精度要求严苛的工业级部署。