Quantization-aware training (QAT) to technika optymalizacji modeli AI, która polega na symulowaniu efektów niskiej precyzji obliczeń bezpośrednio podczas procesu trenowania lub dostrajania sieci neuronowej. Dzięki wprowadzeniu operacji tzw. fake quantization, model uczy się kompensować błędy zaokrągleń i szum wynikający z kompresji wag, co pozwala na zachowanie wysokiej dokładności po ostatecznej konwersji do formatów takich jak INT8 lub INT4. Jest to rozwiązanie szczególnie skuteczne przy wdrażaniu zaawansowanych modeli na urządzeniach o ograniczonych zasobach sprzętowych, takich jak procesory mobilne czy układy IoT.
Źródło: webdesign.org
