深圳做二维码网站公关服务

十一下雨，在家撸模型，希望对pytorch模型进行轻量化，间断摸索了几天，效果不错，做个总结分享出来。

量化是一种常见的技术，人们使用它来使模型在推断时运行更快，具有更低的内存占用和更低的功耗，而无需更改模型架构。在这篇博客文章中，我们将简要介绍量化是什么以及如何将量化应用于你的PyTorch模型。

什么是量化

典型的神经网络以32位浮点数（float32）精度运行，这意味着激活和权重张量都以float32表示，并且计算也以float32精度执行。量化尝试将模型的精度降低到更紧凑的数据类型，需要更少的内存存储并且执行计算更快，例如，8位整数（int8）。以int8为例，经过量化后，激活和权重张量都可以以int8存储，并且计算将在int8中执行，通常比float32计算更高效。

我们可以将量化视为对模型的一种压缩，但它不是无损压缩，因为较低精度的数据类型可能具有较小的动态范围和分辨率。因此，我们需要在模型的准确性与由量化带来的加速、内存和功耗节省之间进行权衡。

如何使用PyTorch量化

我们如何从浮点模型获得量化模型呢？一般有两种方式：

● 后训练量化（Post Training Quantization）：在我们有一个经过训练的模型之后，我们可以将模型转换为量化模型，这通常很容易应用，但对于某些类型的模型可能会导致一些精度损失。

● 量化感知训练（Quantization Aware Training）ÿ