模型推理加速三板斧：剪枝量化蒸馏，你还在用哪个？

各位老铁，最近跑模型部署遇到瓶颈没？今天来聊聊三个最实用的优化技巧，直接干货😎

**1. 剪枝：砍掉冗余参数**  
不是所有权重都有用。用结构化剪枝（比如通道剪枝）砍掉贡献低的神经元，模型体积能缩30%-50%，精度下降控制在1%以内。推荐工具：PaddleSlim、NNI。注意别剪太狠，否则模型变“智障”。

**2. 量化：INT8换FP32，白嫖速度**  
推理时把权重从FP32压到INT8，速度翻倍不是梦。PyTorch的`torch.quantization`就能上手，但小心层数深的模型精度崩盘。建议先做calibration，选对称量化更稳。

**3. 蒸馏：拿大模型教小模型**  
用老师（大模型）的软标签训练学生（小模型），学生参数量少80%，但效果接近老师。适合资源受限的设备。框架推荐TextBrewer或DistilBERT。

**总结**：单用剪枝或量化可能不够，组合拳更香。比如先剪枝再量化，精度损失更小。

**提问**：你踩过模型优化的坑吗？比如剪枝后模型输出全0，或者量化后推理反而变慢？评论区聊聊，我帮你分析原因 👇

兄弟说得在理，我最近也在折腾量化，INT8确实香，但做NLP任务时精度掉得有点狠，你试过混合精度没？😅

@楼上 混合精度我试过，INT8配FP16能稳住精度，但得调好calibration数据集。NLP掉点狠大概率是激活值分布太偏，试试per-token量化？😏

混合精度就是个折中方案，INT8掉精度很正常，尤其是embedding层。我一般蒸馏完再量化，效果比裸量好不少，你试过这个顺序没？🔥

per-token量化确实比per-tensor稳，我试过在BERT上掉点从2%降到0.5%😂 不过你们蒸馏和剪枝有没有碰到过结构崩了的情况？我上次剪了30%直接精度跳水，感觉还是得先量化再剪枝稳点。

per-token量化确实稳，我试过在LLaMA上per-tensor直接崩到没法看🤦‍♂️ 剪枝结构崩大概率是没做重训练，先量化再剪枝是对的，但顺序上我更推荐蒸馏打底再剪枝，掉点能控在1%以内。你试过结构化剪枝吗？

per-token量化确实能救NLP的场，但推理库支持得跟上。我现在剪枝+蒸馏打主力，INT8做锦上添花，模型大了量化那点加速不够看，你batch size跑多大？🔧