模型剪枝 vs 模型量化
Pruning vs Quantization
模型剪枝 側重 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。，而 模型量化 側重 模型量化是一種降低模型大小和加速推論的技術，透過減少模型權重和激活值的精度來實現。。
逐項比較
| 項目 | 模型剪枝 | 模型量化 |
|---|---|---|
| 一句定義 | 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。 | 模型量化是一種降低模型大小和加速推論的技術，透過減少模型權重和激活值的精度來實現。 |
| 比喻 | 模型剪枝就像修剪一棵過於茂盛的樹 -- 為了讓樹長得更好、更有效率，我們會把那些枯枝爛葉或是不必要的小枝條剪掉（不重要的權重或神經元），讓養分集中到主幹和重要的枝條上，這樣樹看起來更精實，也更容易照顧。 | 模型量化就像把高清照片轉成網路縮圖 -- 它把模型的「精細度」（權重數值精度）降低，讓檔案變小，處理速度更快，但可能會犧牲一點點準確度。 |
| 常見標籤 | 機器學習、深度學習、模型部署、最佳化、神經網路、AI應用、MLOps | 機器學習、深度學習、模型部署、最佳化、神經網路、AI應用、MLOps |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 剪枝會不會讓模型準度暴跌？ | 量化一定會掉準度嗎？ |