模型量化、剪枝和蒸馏是三种主流的模型压缩与优化技术，核心目标是在保证模型性能（精度、准确率）的前提下，减小模型体积、降低计算复杂度，使其能在资源受限的设备（如手机、嵌入式设备、边缘终端）上高效部署。
核心的原理
将模型中高精度的参数（如 32 位浮点数，FP32）转换为低精度格式（如 16 位浮点数 FP16、8 位整数 INT8，甚至 4 位、2 位、1 位），利用神经网络对 “噪声” 的容忍性，在精度损失可控的前提下，减少参数存储量和计算量。
关键方法
1. 训练后量化（Post-Training Quantization, PTQ）
直接对训练好的模型参数进行量化，无需重新训练，操作简单（如 TensorFlow Lite 的量化工具）。 缺点：精度损失可能较大（尤其低至 INT8 以下时），适合对精度要求不高的场景（如简单图像分类）。
2. 量化感知训练（Quantization-Aware Training, QAT）
在训练过程中模拟低精度量化的误差（如数值截断、舍入），让模型 “适应” 量化带来的噪声，最终输出量化模型。 优点：精度损失小（INT8 量化可保留原模型 95% 以上性能），适合高精度需求场景（如目标检测、医学影像）。
效果与适用场景
压缩效果：FP32→INT8 可减少 75% 存储量（32 位→8 位），计算速度提升 2-4 倍（硬件对整数计算支持更高效）。 典型场景：移动端 AI（如手机拍照的实时美颜、语音识别）、嵌入式设备（如智能家居的图像传感器）。
核心的原理
神经网络存在大量 “冗余参数”（如权重绝对值接近 0 的连接、贡献微小的神经元或层），剪枝通过移除这些冗余部分，在不显著影响性能的前提下，减小模型规模。
关键方法
1. 非结构化剪枝（Unstructured Pruning）
随机或按阈值移除单个冗余权重（如删除绝对值小于 0.001 的权重），得到稀疏矩阵。 优点：压缩率高（可移除 50%-90% 参数）；缺点：稀疏矩阵难以被硬件加速（普通 GPU/CPU 对非连续内存访问效率低）。
按 “结构单元” 移除冗余（如 CNN 的整个卷积核、通道，Transformer 的整个注意力头），保留模型的密集性。 优点：适配硬件加速（如 GPU 的卷积计算优化），部署友好；缺点：压缩率略低（通常移除 30%-60% 参数）。
效果与适用场景
压缩效果：结构化剪枝可减少 40%-60% 计算量，模型体积缩小 30%-50%（如 ResNet50 剪枝后可在嵌入式设备运行）。 典型场景：CNN 模型压缩（如自动驾驶的实时目标检测）、边缘计算设备（如工业机器人的视觉识别）。
核心的原理
用一个高性能的大模型（教师模型，Teacher Model）指导一个小模型（学生模型，Student Model）训练，让小模型 “模仿” 大模型的行为（不仅是最终输出，还包括中间特征、概率分布等），使小模型在体积小的情况下接近大模型的性能。
关键方法
1. 基于软标签的蒸馏
教师模型输出 “软标签”（如分类任务中的概率分布，包含类间关系信息，如 “猫” 和 “虎” 的概率接近），学生模型通过学习软标签（而非仅硬标签 “猫”），学到更丰富的知识。 核心损失：蒸馏损失（学生软标签与教师软标签的 KL 散度）+ 任务损失（学生硬标签与真实标签的交叉熵）。
2. 特征蒸馏
效果与适用场景
压缩效果：学生模型体积可缩小 10-100 倍，性能接近教师模型（如用 BERT-base 作为教师，蒸馏出的 MobileBERT 在 NLP 任务上性能损失 < 3%，速度提升 5 倍）。 典型场景：NLP 任务（如手机端的语音助手、文本分类）、需要小模型但高性能的场景（如可穿戴设备的健康监测）。
对比一下：
量化适合 “降精度提效”，侧重硬件友好性； 剪枝适合 “删冗余精简”，侧重结构优化； 蒸馏适合 “小模型学知识”，侧重性能保留。
实际部署中，三者常结合使用（如先蒸馏得到小模型，再剪枝移除冗余，最后量化至 INT8），在资源受限设备上实现 “小体积、高性能、快速度” 的 AI 应用。
