Scalar Quantization（标量量化）是一种将连续的模拟信号转换为离散的数字信号的技术，广泛应用于数字通信、音频处理、图像压缩等领域。其原理如下：
- 原理概述：标量量化是通过把输入信号的取值范围划分成有限个区间，然后将落入每个区间的输入值都映射为一个固定的输出值，这个输出值也被称为量化值或重建值。
-
量化过程
- 划分区间：首先，根据量化器的设计，将输入信号的取值范围划分为若干个互不重叠的子区间，每个子区间称为一个量化间隔。例如，对于一个取值范围在[-1, 1]的信号，可以将其划分为[-1, -0.5)、[-0.5, 0)、[0, 0.5)、[0.5, 1]这4个量化间隔。
- 确定量化值：为每个量化间隔指定一个代表值，即量化值。这个量化值通常是该区间的中点或其他特定值。比如在上述例子中，4个量化间隔的量化值可以分别设为-0.75、-0.25、0.25、0.75。
- 映射量化：当输入信号到来时，判断它落入哪个量化间隔，然后将其映射为该间隔对应的量化值。例如，若输入信号的值为0.3，它落入[0, 0.5)这个量化间隔，那么它将被量化为0.25。
- 量化误差：由于量化过程是将连续的输入值映射为有限个离散的量化值，所以不可避免地会产生误差，这种误差称为量化误差。量化误差的大小取决于量化间隔的大小，量化间隔越小，量化误差就越小，但所需的量化级数和存储量就越大。
-
量化器设计准则：在设计标量量化器时，通常需要考虑两个重要的准则，即最小均方误差准则和最大熵准则。最小均方误差准则是指使量化误差的均方值最小，从而使量化后的信号与原始信号在均方意义下最接近。最大熵准则则是在给定量化级数的情况下，使量化后的信号熵最大，从而保留尽可能多的原始信号信息。
image.png
针对 1024维浮点向量进行Scalar Quantization（8位量化）前后的内存占用对比，分析如下：
1. 原始浮点向量的内存占用
假设原始向量使用 单精度浮点数（float32） 存储（机器学习/信号处理中最常见），每个浮点元素占用 4字节（32位）。
- 总内存 = 维度 × 单元素字节数 = ( 1024 \times 4 = 4096 , \text{字节（4KB）} )。
2. 8位标量量化后的内存占用
“8量化”通常指 每个量化后的值用8位（1字节）表示（如无符号整数0255或有符号整数-128127）。
标量量化对每个维度独立处理，量化后每个元素存储为 1字节的整数（而非浮点）。
- 总内存 = 维度 × 单元素字节数 = ( 1024 \times 1 = 1024 , \text{字节（1KB）} )。
3. 对比结果
| 指标 | 原始浮点向量（float32） | 8位量化后（整数） |
|---|---|---|
| 单元素存储大小 | 4字节 | 1字节 |
| 总内存占用 | 4096字节（4KB） | 1024字节（1KB） |
| 压缩比 | — | 4:1（内存减少75%） |
关键假设与说明
- 浮点类型：假设使用单精度浮点数（float32），若为双精度（float64，8字节/元素），原始内存会翻倍（8KB），量化后仍为1KB，压缩比变为8:1。
- 量化方式：标量量化对每个元素独立量化，量化后的值用8位整数表示（无额外元数据，如缩放因子/偏移量的存储未计入，实际应用中可能需额外存储少量参数，但通常可忽略或分摊到大量数据中）。
- 应用场景：常用于模型量化（如神经网络权重/激活值压缩）、数据存储优化，在精度损失可接受的前提下显著减少内存/计算量。
总结
通过8位标量量化，1024维浮点向量的内存占用从 4KB降至1KB，压缩比为 4:1，大幅节省存储空间和传输带宽。
