1.从定点模型训练来分析量化原理：
定点模型训练是一个迁移训练的过程：在浮点网络的相应位置插入定点化处理节点（相
当于激活函数），然后在这个经过定点化的计算图上重新训练神经网络。以全连接层为例，定点模型训练函数会根据 Layer 类型的 Dense 层构建一个 TensorFlow的 dense 层（由 MatMul 和 Add 两个 OP 构成），并且在 MatMul 操作的输入、Add 操作的输出、权重张量和 MatMul 之间、偏置张量和 Add 之间增加定点化处理节点。
解析：公式Q的输入为；X（数据输入，输出，权值值，偏置值），以及统计的（或者人为设置的）最大值和最小值，其目的是将权值偏置训练迭代的结果限制在特定范围内，以减小量化损失。
公式中bitwidth(是要量化的位数16位或者8位)， 如果要量化8位，那么根据以上描述
∇=2frac =xmax*128-1-1 
，当xmax
确定即可求出frac
，然后Q公式即可正常计算，Q=∇*floor
中floor
就是量化的结果，再次乘以∇
就是恢复到了浮点值来完成正常的浮点训练（即定点训练只是将网络的进行了定点的限制），当量化网络的整形结果输出时也可通过乘以当前层的∇
来得到正常的浮点值。
2.以libfacedetection实例分析
本实例并未进行定点训练，直接将浮点训练结果进行了定点化，但推理部分与上面原理和操作是一致的。
（1）将浮点权值转化为整形值，保存scale值，相当于∇
保存权值和scale值
（2）根据定点原理重写推理算法，首先重写整形矩阵运算，然后利用指令集加速
关于scale的传递，卷积为输入和权值的相乘，池化的输出等于输入
两外relu激活函数的scale需要重新求得，同样向下传递：
