近几年随着人工智能技术发展，深度学习技术日趋成熟。如果想把已经训练好的模型应用在终端，如手机、车载、耳机、音箱等设备，需要将Python训练的模型转为C语言。此处就不赘述如何把Python模型转C语言的步骤了（都是矩阵乘l累加操作）。

本文意在通俗讲解一下C语言的浮点版本转定点版本的步骤。让初次接触量化（定点化）操作的小白能够有个初步认识，都是个人经验，如有表述不对还请多多指正。

废话不多说，让我们开始吧！！！！

众所周知，C语言在使用变量前都要先定义其类型（float，double，char，int，long等），如果想表示两个浮点数相乘，可以如下操作：

以上代码的输出是3.141592 * 1.492000 + 7.240000 = 11.927256;

但是两个浮点数操作会比较耗费时钟周期数，这就导致功耗变高，甚至有些低功耗芯片上不支持浮点操作，我们就需要将其转化为定点版本。那我们该如何下手呢，接下来就讲一下具体操作步骤。

C语言的整型表示有8位（char），16位（short），32位（int），64位（long）等，如何选择多少位来表示浮点数取决于你所需的精度是多少。一般来说16位是比较合适的。具体的误差在后续会讲到。

所谓的定标就是将浮点数乘以2的多少次方才能让数据最大的同时还不超过数据的表示范围。比如short表示的范围是-32768~32767，以num1为例，

int(3.141592 * (2^13)) = 25735 //此处我们是直接截断取整，也可以四舍五入，向上、下取整

int(3.141592 * (2^14)) = 51471

51471超出了short的表示范围，但是25735却没有超过表示范围，所以num1的标值Q1就选择13最为合适。同理可得num2的标值Q2选择14，num3的标值Q3选择12。

这样我们就得到了定点的num1, num2和num3:

num1_fix = 25735, num2_fix = 24444, num3_fix = 29655;

以上代码的输出为：

3.141592 * 1.492000 + 7.240000 = 11.927256; 25735 * 24444 + 29655 = 48852; 48852 / pow(2,12) = 11.926758

此时对上述代码重点描述的是num1_fix*num2_fix后结果的Q值是Q1+Q2，相乘（相除）时两个数的标值不要求相同，但要记得乘完以后的结果的标值已改变，变为了Q1+Q2。但是两个定点数相加（相减）时的Q值必须要求一致，否则会出错。这就是为什么在加num3_fix之前要对result_fix进行移位的原因，为了将两个数的标值对其（标值只要一样就行，也可以不等于Q1,Q2,Q3任意一个，但是自己要清楚此时的标值），最终得到的结果是浮点结果*最终标值的数Q。将这个数除以对应的2^Q就是浮点的结果。

根据程序的输出结果可以看出，定点版本和浮点版本最终的结果误差为

abs(11.926758 - 11.927256)  = 0.000498 = 4.98*1e-4

误差可接受。到此浮点转定点的小实例已经讲解完毕，希望对你有用，谢谢~