深度學習模型壓縮與優化加速（Model Compression and Acceleration Overview）

1. 簡介 深度學習（Deep Learning）因其計算複雜度或參數冗餘，在一些場景和設備上限制了相應的模型部署，需要藉助模型壓縮、優化加速、異構計算等方法突破瓶頸。 模型壓縮算法能夠有效降低參數冗餘，從而減少存儲佔用、通信帶寬和計算複雜度，有助於深度學習的應用部署，具體可劃分爲如下幾種方法（後續重點介紹剪枝與量化）： 線性或非線性量化：1/2bits, int8 和 fp16等； 結構或非結構

>>阅读原文<<