模型压缩是一种缩小神经网络结构和参数的技术。 压缩的模型在使用少量计算资源
的情况下，使其性能与原始模型近似；常见包括剪枝、量化、蒸馏、神经结构搜索(NAS)等

##模型压缩与工程部署关注的常用参数


1）模型大小 
  
   一般使用参数量parameter来衡量，单位是兆(M)


 2）实时运行内存、模型计算量 
  
   就是模型实际运行时所占的内存资源消耗，单位是兆字节 (MB)；模型计算量常见有FLOPs(浮点运算数)和MACs两种衡量的方式(MACs ≈  2 * FLOPs)


 3）模型推理响应时间、吞吐量QPS
   
   响应时间是指模型对请求作出响应的时间，单位一般是毫秒(MS)；吞吐量是指模型在单位时间内处理请求的数量

1、裁剪

代码参考:https://pytorch.org/tutorials/intermediate/pruning_tutorial.html

1）结构化的剪枝

神经元剪枝pruning neurons，注意剪枝力度有点大，会对模型精度产生较大的影响

 2）非结构化的剪枝

突出剪枝pruning synapses，精度的损失就会小一些，但最终产生的是稀疏矩阵

2、量化

量化是指将信号的连续取值（或者大量可能的离散取值）近似为有限多个（或较少的）离散值的过程。一般将浮点激活值或权重（通常以32比特浮点数表示）近似为低比特的整数（8比特）表示

1）更少的存储开销和带宽需求

2）更快的计算速度

3）更低的能耗与占用面积

4）可接受的精度损失

如上图，FP32乘法运算的能耗是INT8乘法运算能耗的18.5倍，
芯片占用面积则是int8的27.3倍

模型量化方法

1）线性量化

对称量化
非对称量化 

2）非线性量化

非线性函数
聚类、对数                  

3）二值化1-bit、三值2-bit等

4）混合精度量化

3、蒸馏

代码参考:https://github.com/airaria/TextBrewer

Knowledge Distillation，简称KD，顾名思义，就是将已经训练好的模型(老师网络)包含的知识(”Knowledge”)，蒸馏(“Distill”)提取到另一个小模型(学生网络)里面去

4、神经结构搜索

代码参考:https://github.com/awslabs/autogluon

神经结构搜索(Neural Architecture Search，NAS)是指给定一个称为搜索空间的候选神经网络结构、组件集合(blocks)，通过控制器按照某种搜索算法策略从集合中搜索出子网络结构，并使用某种性能评估策略评估性能；算是自动机器学习(AutoML)的一种；例如EfficientNet(Google)、RegNet(Facebook)等模型