Post-Training Quantization（PTQ，训练后量化）是一种在模型训练完成后对其进行低精度量化的技术，核心特点是无需重新训练模型，仅通过少量校准数据计算量化参数（缩放因子、零点），即可将 FP32 模型转换为低精度（如 INT8、INT4）模型。相比量化感知训练（QAT），PTQ 更轻量、部署效率更高，是工业界快速实现模型压缩和加速的主流方案。
PTQ 的本质是 **“离线校准 + 静态量化”**：在模型训练完成后，利用少量 “校准数据”（通常为 100-1000 张样本）统计模型各层权重和激活值的分布，计算量化参数（缩放因子 S、零点 Z），再将 FP32 的权重和激活值映射到低精度整数。
其核心特点包括：
- 无需重新训练：避免 QAT 的训练成本，适合已冻结的预训练模型；
- 校准数据量小：仅需少量代表性数据（无需标签），降低数据依赖；
- 部署速度快：量化流程可在数分钟内完成，适合快速迭代场景。
PTQ 的完整流程可分为 5 个步骤，核心是通过校准数据 “模拟” 量化效果，确定最优量化参数：
- 输入已训练好的 FP32 模型（如 PyTorch 的
nn.Module、TensorFlow 的tf.keras.Model）；
- 移除训练相关层（如 Dropout、BatchNorm 的训练模式切换为推理模式）；
- 对模型进行 “层融合”（如 Conv+BN+ReLU 融合），减少量化节点数量，提升效率。
- 选择代表性数据：需覆盖模型实际输入的分布（如 ImageNet 的校准数据应包含各类别图像），避免因数据分布偏移导致量化参数不准确；
- 数据量：通常 100-1000 张样本即可（如 ResNet-50 用 500 张 ImageNet 图像校准），过多会增加校准时间，过少则统计不准。
通过 “校准”（Calibration）过程统计权重和激活值的分布，计算缩放因子（S）和零点（Z），关键是平衡量化范围与信息保留。
权重是静态的（训练后固定），可直接统计全量权重的分布：
- 通常采用逐通道量化（Per-Channel）：对卷积层的每个输出通道独立计算 S 和 Z，减少通道间数值差异导致的误差；
- 计算方法：多采用 Min-Max（取权重的最小值和最大值），因权重分布相对稳定（训练中已收敛）。
激活值是动态的（随输入变化），需通过校准数据统计其分布，常用方法有两种：
- Min-Max 校准：统计校准数据中激活值的全局最小值
x_min和最大值x_max，计算 S=(xmax−xmin)/(qmax−qmin)，Z 同理。
优点：计算快；缺点：对离群值敏感（如激活值中的极端值会扩大量化范围，压缩有效信息）。
- KL 散度校准：通过搜索最优阈值
T（截断离群值），使量化后的激活值分布与原分布的 KL 散度最小。
优点：对离群值更鲁棒（如 ReLU6 的激活值常因溢出产生离群值，截断后精度损失更小）；缺点：计算成本略高。
例如：对 BERT 的激活值量化，KL 散度校准可比 Min-Max 校准将精度损失降低 1.5%。
- 用计算好的 S 和 Z 将 FP32 权重转换为低精度整数（如 INT8），存储为量化模型；
- 激活值在推理时动态量化（输入数据→量化为 INT8→参与计算→反量化为 FP32 输出，或硬件直接支持低精度计算）；
- 部分框架（如 TensorRT）会自动优化量化节点的执行顺序，减少反量化次数。
- 用测试集验证量化模型的精度（如分类模型的 Top-1 准确率、检测模型的 mAP）；
- 若精度损失过大，可调整量化策略（如对敏感层保留 FP16、改用逐通道量化、优化校准数据）。
- 逐张量量化（Per-Tensor）：对整个权重 / 激活值张量用同一套 S 和 Z，计算简单但精度较低（适合激活值分布均匀的层，如全连接层）；
- 逐通道量化（Per-Channel）：对卷积层的每个输出通道独立计算 S 和 Z，能更好适应通道间的数值差异（如 ResNet 的卷积层，可使精度损失降低 2-3%）。
- 对称量化：量化范围关于原点对称（如 INT8 的 [-127, 127]），零点 Z=0，适合权重（多分布在 0 附近）；
- 非对称量化：量化范围不对称（如 INT8 的 [-128, 127]），零点 Z 非 0，适合激活值（如 ReLU 输出非负，分布在 [0, x_max]）。
对模型中 “量化敏感层”（如 Transformer 的注意力头、检测模型的输出层）保留 FP16/FP32，其余层用 INT8，平衡精度与效率。例如：用 PTQ 量化 YOLOv5 时，对输出层保留 FP16，可使 mAP 损失从 3% 降至 0.5%。
- 部署效率高：无需训练 pipeline，量化流程可在分钟级完成；
- 数据依赖低：仅需少量校准数据（无需标签），适合数据隐私严格的场景；
- 通用性强：支持大部分神经网络（CNN、轻量级网络如 MobileNet）。
- 精度损失可能较大：尤其对低比特（如 INT4）或动态范围大的模型（如 Transformer、BEV 感知模型）；
- 对激活值分布波动大的层（如 NLP 模型的激活值）适配性较差。
- 轻量级模型部署（如 MobileNet、EfficientNet 在移动端的分类任务）；
- 对精度要求不苛刻、需快速上线的场景（如视频监控的目标检测）；
- 作为 QAT 的 “快速验证工具”：先用 PTQ 评估量化潜力，再决定是否投入 QAT。
- 离群值处理：激活值中的极端值会扩大量化范围，可通过 “阈值截断”（如保留 99.9% 的分布）或 “动态量化”（推理时实时调整量化范围）缓解；
- Transformer 模型适配：Transformer 的激活值分布动态性强，PTQ 精度损失较大（如 BERT-base 在 GLUE 任务中 INT8 量化损失约 2-3%），需结合 “量化感知蒸馏”（用 FP32 模型指导 PTQ 模型）补偿；
- 低比特量化（INT4/INT2）：PTQ 在 INT4 时精度损失显著（如 ResNet-50 损失 > 5%），需结合 “权重聚类”（将相似权重合并）或 “混合位宽”（敏感层用 INT8，其余用 INT4）优化。
PTQ 是 “以最小成本实现模型加速” 的核心技术，通过离线校准和静态量化，在无需重新训练的情况下将模型压缩 4-8 倍，推理速度提升 2-4 倍。尽管其精度损失略高于 QAT，但凭借 “轻量、高效” 的优势，成为边缘设备部署（如手机、摄像头）的首选方案。在实际应用中，需根据模型类型（CNN/NLP）和精度需求，选择合适的校准方法（Min-Max/KL 散度）和量化粒度，平衡效率与精度。