神经网络量化（Neural Network Quantization）是一种技术，旨在减少神经网络模型的计算和存储资源需求，同时保持其性能。在深度学习中，神经网络模型通常使用高精度的参数（例如32位浮点数）来表示权重和激活值。然而，这种表示方式可能会占用大量的内存和计算资源，特别是在部署到资源受限的设备（如移动设备或嵌入式系统）时会受到限制。
神经网络量化通过将模型参数和激活值从高精度表示（例如32位浮点数）转换为低精度表示（例如8位整数或更低）来解决这个问题。这种转换会显著减少模型的存储需求，同时降低计算成本，加快推理速度。
量化可以分为两种类型：权重量化和激活量化。权重量化是将神经网络中的权重参数转换为低精度表示，而激活量化则是将神经网络的激活值（即中间层的输出）转换为低精度表示。
常见的量化方法包括：
-
固定点量化（Fixed-Point Quantization）：将参数和激活值表示为固定位宽的整数，通常采用8位或更低的精度。
-
浮点量化（Floating-Point Quantization）：将参数和激活值表示为浮点数，但采用较低的精度，如16位浮点数或更低。
-
对称量化（Symmetric Quantization）：将参数和激活值量化到对称范围内，例如-127, 127，使得零值可以被表示为0。
-
非对称量化（Asymmetric Quantization）：将参数和激活值量化到非对称范围内，例如-128, 127，可以更好地适应数据的分布情况。
-
混合精度量化（Mixed Precision Quantization）：在模型中同时使用不同精度的参数和激活值，以权衡模型性能和计算效率。
虽然量化可以显著减少模型的资源需求，但也可能会对模型的性能产生一定的影响。因此，在量化过程中需要进行适当的调整和优化，以保持模型在精度和效率之间的平衡