版权声明：原创作品，欢迎转发！转发附上链接 https://blog.csdn.net/qq_26369907/article/details/90035538
模型压缩常用的方法有：剪枝，分解、蒸馏、量化、轻量级网络模型。记录学习量化时小结。
背景：当前神经网络通常使用浮点数格式存储权重、网络结构等，这是保持模型准确性的有效而且最简单的方法，GPU也可以较好的加速这些计算。但是随着模型加载次数的增加前向推导计算也成正比增加，Quentization能有效解决此问题，它比32位更紧凑的格式来存储数字，并进行计算。
可行性：低精度计算是噪音的另一个来源（待确认？？）
作用: 能减小模型所占空间。
量化方法及计算例子（8bit为例子）：
法一：存储每个层的最小值和最大值，然后将每个浮点值压缩成一个8位整数，在最大值、最小值范围内空间线性划分 256 段，每段用一个唯一的 8-bit 整数表示在该段内的实数值，计算时再转换为浮点数；
例子： 某一层参数最小、最大值：-10,10。将其非常256段，0段表示-10,第256段表示10，故128段表示0数值，64段表示-5等等。
之间的浮点数与段数关系为：
其中X为浮点数，N为段数
左表是真实的网络参数（浮点数），右表是经过quantization量化后的段数。存储量,下降为原本的1/4，运行模型时转换为浮点型，转换公式如下：
其中X为浮点数，N为段数