模型量化属于模型优化中的重要技术之一，是非常有效地提升模型推理速度的技术方案，那么当前有哪些可用的模型量化工具呢？
作者&编辑 | 言有三
1 Tensorflow Lite
TensorFlow Lite是谷歌推出的面向嵌入式设备的推理框架，支持float16和int8低精度，其中8bit量化算法细节可以参考白皮书“Quantizing deep convolutional networks for efficient inference: A whitepaper”，支持训练后量化和量化感知训练，这也是大部分量化框架的算法原理。
https://github.com/tensorflow/model-optimization
另外新技术的尝鲜可以关注TensorFlow Model Optimization Toolkit，地址如上，它是谷歌官方开源的模型优化技术包，目前包含了模型剪枝和量化两种API。如果想使用该工具包，需要安装tf-nightly or tf-nightly-gpu。不过会有一些环境冲突，所以体验者最好做好环境隔离工作。
2 TensorRT
TensorRT是Nvidia提出的神经网络推理(Inference)引擎，支持训练后8bit量化，它使用基于交叉熵的模型量化算法，通过最小化两个分布的差异程度来实现。
https://github.com/NVIDIA/TensorRT
caffe-int8-convert-tools是一个Caffe模型量化工具，基于TensorRT2.0。
https://github.com/BUG1989/caffe-int8-convert-tools
3 PaddleSlim
PaddleSlim是百度提出的模型量化工具，包含在PaddlePaddle框架中，支持量化感知训练，离线量化，权重全局量化和通道级别量化。
https://github.com/PaddlePaddle/models/tree/develop/PaddleSlim/quant_low_level_api
4 Pytorch
Pytorch1.3开始已经支持量化功能，基于QNNPACK实现，支持训练后量化，动态量化和量化感知训练等技术。
https://github.com/pytorch/glow/blob/master/docs/Quantization.md
https://github.com/pytorch/QNNPACK
另外Distiller是Intel基于Pytorch开源的模型优化工具，自然也支持Pytorch中的量化技术。
https://github.com/NervanaSystems/distiller
5 其他框架
微软的NNI集成了多种量化感知的训练算法，并支持PyTorch，TensorFlow，MXNet，Caffe2等多个开源框架。
https://github.com/microsoft/nni
keras，Core ML的相关量化开源工具如下
https://github.com/google/qkeras
https://github.com/kingreza/quantization
6 一些论文的实现
以下是一些重要文章算法的实现，发布机构包括Intel研究院，Xilinx，Facebook等。
[1] 论文Incremental Network Quantization: Towards Lossless CNNs with Low-Precision Weights by英特尔https://github.com/AojunZhou/Incremental-Network-Quantization
[2] 论文FINN: A Framework for Fast, Scalable Binarized Neural Network Inference by Xlinx
https://github.com/Xilinx/BNN-PYNQ
[3] 论文And the bit goes down: Revisiting the quantization of neural networks by FaceBook
https://github.com/facebookresearch/kill-the-bits
[4] 论文LQ-Nets: Learned Quantization for Highly Accurate and Compact Deep Neural Networks by microsoft
https://github.com/microsoft/LQ-Nets
[5] 论文HAQ: Hardware-Aware Automated Quantization with Mixed Precision by Massachusetts Institute of Technology
https://github.com/mit-han-lab/haq
更多的留待读者自己学习吧，咱们就不沉迷于收藏了。
7 更多理论学习
如果想要系统性学习模型优化相关的理论，可以移步有三AI知识星球 -> 网络结构1000变 -> 模型压缩板块 -> 模型剪枝，量化与蒸馏板块，一些解读案例如下：
总结
低精度量化是一个非常简单而又有效地降低模型大小，提升模型推理速度的技术，对于嵌入式设备来说具有很重要的工程意义。
知识星球推荐
有三AI知识星球由言有三维护，内设AI知识汇总，AI书籍，网络结构，看图猜技术，数据集，项目开发，Github推荐，AI1000问八大学习板块。
转载文章请后台联系
侵权必究
往期精选
转载：https://blog.csdn.net/hacker_long/article/details/103607410