量化（Quantization）的核心数学原理，简单说就是用“便宜的整数”来近似“昂贵的浮点数”，从而让AI模型跑得更快、更省内存。

1. 公式里的每个角色是谁？

• x（原始浮点数）：比如 0.5234，这是模型原本的“高精度”体重，计算慢但精确。

• q（量化后的整数）：比如 42，这是转换后的“低精度”体重，计算快但会损失一点精度。

• min & max：待转换数据中的最小值和最大值，它们划定了转换的“边界”。

• S（缩放系数/Scale）：“步长”。它决定了浮点数每变动多少，整数就跳一格。计算公式是 S = (max - min) / (整数范围)。

2. 量化公式：q = round((x - min) / S)

大白话：先看当前数x离起点min有多远，再除以“步长”S，算出它占了多少个格子，最后四舍五入取整。

例子（假设你想把温度计度数压缩成刻度）：
假设原始数据范围是 min=0.0 到 max=100.0，我们要映射到 0~100 的整数（步长S=1）。

• 如果 x = 50.5，(50.5 - 0) / 1 = 50.5，四舍五入得 q = 51。

• 你看，浮点数变成了一个整数。

3. 反量化公式：x′ = S × q + min

大白话：拿着压缩后的整数q，乘以“步长”S，再挪回起点min，就能找回一个近似值。

接上面的例子：q = 51，反算 x′ = 1 × 51 + 0 = 51.0。
原本的 50.5 变成了 51.0，损失了 0.5 的精度，但换来了存储空间的节省。

4. 你给的例子（FP32 [-1.0, 1.0] → INT8 [-128, 127]）

这个例子更真实，因为INT8的整数范围不是对称的（是-128到127，共256个数）。

• 计算步长 S：(1.0 - (-1.0)) / 255 ≈ 0.00784。（注意分母是255，因为从-128到127共有255个间隔）

• 实际操作：
  假设浮点数 x = 0.5：

• 1.量化：q = round((0.5 - (-1.0)) / 0.00784) = round(191.3) = 191

• 2.存储：现在模型里只存整数 191（只占1个字节）。反量化（计算时）：x′ = 0.00784 × 191 + (-1.0) ≈ 0.497。
• 3.最终算出来的 0.497 和原来的 0.5 非常接近，但计算速度却快了好几倍。