机器学习 · 函数

静态量化

执行静态量化，需要校准数据统计激活范围。静态量化对权重和激活都进行量化，推理速度更快。参数: 模型: PyTorch 模型（需要已经插入 Quant/DeQuant 观察器）校准数据: 用于校准的一批数据，用于统计激活范围返回: 量化后的模型

调用签名(模型, 校准数据)

静ZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 静态量化
设 结果 = 机器学习.静态量化(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    校准数据=[1, 2, 3, 4],  # 必填；要处理的原始数据，可以是列表、字典、DataFr...
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

2 个参数

参数类型 / 传入方式说明

模型可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入模型;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传或对象为 None 会报 TypeError/AttributeError;先调用对应的创建函数拿到模型再传入

校准数据可选 · 默认无

未声明位置参数或字段名=值

要处理的原始数据，可以是列表、字典、DataFrame、数组等。

常见错误：漏传会报 TypeError: missing required argument: '校准数据';检查调用是否漏了这行

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 静态量化
设 结果 = 机器学习.静态量化(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    校准数据=[1, 2, 3, 4],  # 必填；要处理的原始数据，可以是列表、字典、DataFr...
)
打印(结果)

# 进阶组合:静态量化 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.静态量化(
    模型=[1, 2, 3, 4],  # 必填
    校准数据=[1, 2, 3, 4],  # 必填
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 2 个必填参数

## 参数 1: 模型
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.静态量化()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.静态量化(模型=[1, 2, 3, 4])

## 参数 2: 校准数据
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.静态量化()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.静态量化(校准数据=[1, 2, 3, 4])
打印(结果)