背景
- Neural Network模型一般都会占用很大的磁盘空间，比如AlexNet的模型文件就超过了200 MB.模型包含了数百万的参数，绝大部分的空间都用来存储这些模型的参数了。这些参数是浮点数类型的，普通的压缩算法很难压缩它们的空间。
- 一般模型的内部的计算都采用了浮点数计算，浮点数的计算会消耗比较大的计算资源（空间和cpu/gpu时间）,如果在不影响模型准确率的情况下，模型内部可以采用其他简单数值类型进行计算的话，计算速度会提高很多，消耗的计算资源会大大减小，尤其是对于移动设备来说，这点尤其重要。
由此引入量化技术。
Quantize
单词的意思是(来自Dictionary.com)：
Mathematics, Physics. to restrict (a variable quantity) to
discrete values rather than to a continuous set of values.对于模型文件的量化压缩，过程比较简单。我们发现模型属于同一层的参数值会分布在一个较小的区间内，比如-3， 5之间，我们可以记下这个最小值和最大值，在采用8位数量化（可以有其他选择）的情况下，可以把同一层的所有参数都线性映射（也可以采用非线性映射进一步压缩空间）到区间[-3, 5]之间的255个8位整数中的最接近的一个数，例如如下映射：
float | Quantized
-------+----------
-3.0 | 0
5.0 | 255
0.92 | 125 这样模型文件的大小就基本压缩到了原来的25%，而且在加载的时候可以恢复到原来的数值，当然恢复的数值跟压缩之前会有差异，但事实证明，模型对这种压缩照成的噪音表现的很健壮。
满足第一个需求就这么简单，模型不需要改变，需要改变的是模型的存储和加载部分；但是要解决第二个问题就不这么简单了，事实证明，模型内部的计算如果都采用8位整形数来计算的话，模型的表现会相差很大，原因是模型的训练过程中，需要计算梯度，然后运用一定的学习算法，不断的更新参数，每次的更新量可能是很小的。所以模型的训练过程需要高精度的浮点型数值的。那么模型的预测过程是否可以使用整形数值代替呢？事实证明是可行的。
TensorFlow中模型的量化过程是这样实现的：
- 将模型中实现了对应的量化操作的操作符替换成量化操作符，例如图1是原始的计算图，图2是量化后的计算图。
- 优化量化处理后的计算图，去掉冗余操作，如下图3
实践
以inception模型为例，可以通过下列命令操作量化模型：
$ curl http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz -o /tmp/inceptionv3.tgz
$ tar xzf /tmp/inceptionv3.tgz -C /tmp/
$ bazel build tensorflow/contrib/quantization/tools:quantize_graph
$ bazel-bin/tensorflow/contrib/quantization/tools/quantize_graph \
--input=/tmp/classify_image_graph_def.pb \
--output_node_names="softmax" --output=/tmp/quantized_graph.pb \
--mode=eightbit