通常量化后存在少许精度损失，但对于特定网络（如 MobileNet），精度损失可能较为显著。为此，快速微调使用 AdaQuant 算法，利用未标记的校准数据集逐层调整权重和量化参数，以提升特定模型的精度。
虽然快速微调所需的时间比普通 PTQ 更长（由于 calib_dataset 较小，所用时间仍比 QAT 短得多），但默认处于关闭状态。不过，如果遇到精度问题，可将其启用来提高性能。推荐工作流程是尝试 PTQ 而不进行快速微调，如果对精度不满意，则可尝试量化。
QAT 是改善精度的另一种方法，但它需要更多时间并且依赖于训练数据集。要在训练后量化期间激活快速微调，请设置 include_fast_ft=True。
quantized_model = quantizer.quantize_model(calib_dataset=calib_dataset, calib_steps=None, calib_batch_size=None, include_fast_ft=True, fast_ft_epochs=10) 这里，
-
include_fast_ft用于判定是否执行快速微调。 -
fast_ft_epochs表示每层的微调轮数。