在移动端或边缘设备上，浮点运算成本较高。常见做法是将输入向量和全连接层权重做 INT8 非对称量化（按张量整体 per-tensor），用整数在量化域直接做点积，最后用反量化结果评估与原始浮点结果的误差。 【任务】 对输入向量 x 和权重矩阵 W 分别做 INT8 非对称量化（范围 [-128, 127]，不加偏置），输出量化域的 m 个整数点积结果。 将量化后的 x 与 W 分别反量化为 x_dequant、W_dequant，计算二者在浮点域的全连接输出，与原始 x、W 的浮点输出做均方误差 MSE，并输出 round_half_up(MSE × 100000) 的整数。 量化反量化细节（per-tensor）： scale = (max(v) - min(v)) 255 若 max(v) == min(v)，则 scale = 0，量化结果全为 -128；反量化直接取 min(v) 量化：q = clamp(round((v - min(v)) scale) - 128, -128, 127)，round 为就近取偶 反量化：v_dequant = (q + 128) * scale + min(v) MSE 四舍五入采用 half-up（即对 MSE×100000 做 “x+0.5 下取整”）
输入描述:
第一行：n（输入向量维度）第二行：n 个浮点数（输入向量 x）第三行：m n（权重矩阵维度）接着 m 行：每行 n 个浮点数（权重矩阵 W）


输出描述:
第一行：m 个整数（使用 x_quant 与 W_quant 计算的量化域全连接输出）第二行：1 个整数（round_half_up(MSE × 100000)）
示例1

输入

3
0 128 255
2 3
0 0 0
255 255 255

输出

128 -127
0

说明

  • 对 x：min=0, max=255, scale=1 → x_quant=[-128, 0, 127]
  • 对 W（按张量整体）：min=0, max=255, scale=1 → 第1行量化为[-128,-128,-128]，第2行为[127,127,127]
  • 量化域点积：
    • y0 = (-128)(-128) + 0(-128) + 127*(-128) = 128
    • y1 = (-128)127 + 0127 + 127*127 = -127
  • 反量化后与原始浮点结果一致，MSE=0，输出 0
加载中...