模型压缩与端侧部署
本文系统讲解视觉模型压缩与端侧部署，回答 PTQ 与 QAT 怎么选、剪枝后要不要重训、蒸馏怎么落地、ONNX Runtime 与 TensorRT 与 NCNN 各自适合什么设备等实战问题。覆盖 int8 量化与校准、结构化与非结构化剪枝、logit 与特征蒸馏、主流端侧运行时，并给出 ONNX Runtime 量化对比与动态量化两段可运行代码，附框架对比表、精度与延迟影响表、权衡与常见坑。
tag
剪枝
共 8 篇文章。
模型压缩与推理优化实战：量化、剪枝与知识蒸馏
模型压缩与推理优化实战：为什么大模型要压缩、量化原理（PTQ/QAT、INT8/FP16）、剪枝（非结构化/结构化）、知识蒸馏（软标签/温度）、低秩分解、混合部署与量化感知训练、压缩的效果度量与选型、生产落地与常见陷阱。
深度路径遍历优化：变长路径、遍历器与剪枝
系统讲解图数据库深度路径遍历的优化：多跳查询的挑战（组合爆炸与重复展开）、变长路径查询的语义与写法（*1..5 的展开、方向与约束）、遍历顺序与剪枝策略（先过滤后遍历、方向裁剪、深度限制）、图遍历器与策略（BFS/DFS、双向遍历、迭代式展开）、深度遍历的性能陷阱（路径笛卡尔积、关系属性过滤、无索引展开）、索引与存储优化（关系索引、邻接表缓存）、遍历的批处理与预计算（物化路径、动态规划中间结果）、以及资金链/社交网络深层遍历的实践与遍历监控调优，帮助在图上高效执行大跳数查询。
回溯必刷10题：排列组合与搜索模板
精选 LeetCode 回溯法 10 道必刷题：全排列、子集、组合、组合总和、括号生成、N 皇后、单词搜索、复原 IP 地址、数独、分割回文串，一套通用模板吃透「选与不选」与剪枝去重。
决策树与树模型基础：分裂准则、剪枝与可视化
决策树与树模型实战：信息增益/基尼系数分裂准则、CART 树的构建过程、预剪枝与后剪枝、决策边界与可视化、回归树、树模型的优缺点与使用场景、sklearn 端到端实战。
模型压缩：量化、剪枝、蒸馏与部署优化实战
模型压缩让大模型在有限显存与延迟预算下可用，是边缘部署与降本增效的关键。本文系统讲解模型压缩四大技术：量化（PTQ/QAT/INT8/INT4/FP16）、剪枝（结构化/非结构化）、知识蒸馏（logits/特征/教师学生）、低秩分解，并结合 ONNX/TensorRT/TVM 部署优化、显存与吞吐权衡、精度保持评估方法，以及 LLM 量化与边缘部署的实战案例。
模型剪枝与知识蒸馏：从压缩到加速全链路
引言：为什么需要模型压缩 深度学习模型的参数量正在以指数级增长。从 AlexNet 的 6000 万参数，到 GPT-4 的万亿级参数，模型能力的提升往往伴随着体积的膨胀。然而，在生产环境中部署这些庞大模型时，我们面临着严峻的现实约束： 边缘设备的硬件限制。
08. 贪心与回溯
掌握贪心算法的选择性质与回溯算法的搜索框架，理解分支限界与剪枝策略，解决组合优化与搜索问题。