什么是模型压缩？
模型压缩是通过减少模型参数量、体积或计算量，在保持性能的同时提升部署效率的神经网络优化技术。常见场景包括移动端推理、边缘计算和嵌入式设备应用。
📌 核心价值
- ✅ 降低存储与传输成本
- ⏱️ 提升推理速度
- 🌐 适配资源受限环境
- 📈 保持模型精度（如压缩率>80%时）
🛠️ 常用压缩方法
剪枝（Pruning）
删除冗余权重（如tf.keras的prune模块）量化（Quantization）
将浮点数转换为低精度表示（如8位整型）知识蒸馏（Knowledge Distillation）
通过教师模型指导学生模型训练模型剪枝与量化联合优化
📘 TensorFlow实现工具
tf.model_optimization：官方模块（文档链接）tensorflow_model_optimization：第三方库（支持剪枝、量化等）Keras API：集成量化感知训练功能
📚 扩展学习
📌 提示：压缩效果与任务复杂度相关，建议通过
tf.keras.Model.save配合tf.saved_model.save进行实验验证。