zeropoint，如下图所示：当然，从数学上看这是完全可以实现的，精度也会比较高，但在工程实现上，这种方式就行不通了。我们来看看为什么。假设给

中没有可学习的参数。默认情况下，我们都设置affine=True。我们沿用之前文章的代码，先定义一个QConvBNReLU模块：class

也有同样的性质。但对于其他绝大部分函数来说，由于它们本身包含其他数学运算，因此就不具备类似性质。总结这篇文章主要介绍了如何把

来调用。另外，之前的代码中输入输出没有加伪量化节点，这在后训练量化中没有问题，但在量化训练中最好加上，方便网络更好地感知量化带来的损失。由于上一篇文章中做量化推理的时候，我发现精度损失不算太重，3

「昨天的文章有一个公式显示不全，这里重新更新下」上一篇文章介绍了矩阵量化的基本原理，并推广到卷积网络中。这一章开始，我会逐步深入到卷积网络的量化细节中，并用

型的整数后，整个网络便完成了量化，然后就可以依据上面的流程做量化推理了。总结这篇文章主要介绍了矩阵量化的原理，以及如何把矩阵量化运用到卷积网络中，实现全量化网络的计算。这中间忽略了很多细节，比如