一文总结模型压缩技术：剪枝、量化与蒸馏的原理、实践与工程思考（年度技术复盘）
博客：https://yangdanyang.blog.csdn.net/
创作方向：模型压缩技术年度总结 & 工程实践经验
文章目录
- 一文总结模型压缩技术：剪枝、量化与蒸馏的原理、实践与工程思考（年度技术复盘）
- 一、写在前面：为什么模型压缩成为必修课？
- 二、模型压缩全景图：我们在压缩什么？
- 三、剪枝（Pruning）：从“全连接”到“结构稀疏”
- 3.1 剪枝的核心思想
- 3.2 剪枝的主要类型
- 1️⃣ 非结构化剪枝（Unstructured Pruning）
- 2️⃣ 结构化剪枝（Structured Pruning）
- 3.3 工程实践中的经验总结
- 四、量化（Quantization）：让模型“轻装上阵”
- 4.1 量化在做什么？
- 4.2 主流量化方式对比
- 4.3 工程实践中的关键细节
- 五、蒸馏（Knowledge Distillation）：让小模型“学会思考”
- 5.1 蒸馏的本质
- 5.2 常见蒸馏方式
- 5.3 蒸馏在大模型时代的价值
- 六、三种技术如何组合？一套实用策略
- 推荐工程组合路径
- 不同场景的建议
- 七、年度总结与个人思考
- 八、写在最后
一、写在前面：为什么模型压缩成为必修课？
过去一年，在大模型与深度学习工程化的浪潮下，一个现实问题被反复提及：
模型越来越大，但部署环境越来越“苛刻”。
无论是：
- 边缘设备（移动端 / IoT / 嵌入式）
- 高并发在线服务
- 低延迟、低功耗、低成本推理场景
都在逼迫我们重新思考一个问题：
如何在“性能可接受”的前提下，把模型变小、变快、变便宜？
于是，模型压缩（Model Compression）成为连接“算法理想”和“工程现实”的关键技术。
本文将对剪枝（Pruning）、量化（Quantization）、蒸馏（Knowledge Distillation）三大核心技术做一次系统性的年度总结，从：
- 技术原理
- 主流方法
- 实践经验
- 工程取舍
四个维度进行梳理，希望对正在做模型部署 / 推理优化 / 大模型落地的你有所帮助。
二、模型压缩全景图：我们在压缩什么？
从本质上看，模型压缩主要目标是降低以下成本：
| 维度 | 对应指标 |
|---|---|
| 存储 | 参数量 / 模型体积 |
| 计算 | FLOPs / 推理时延 |
| 能耗 | 功耗 / 服务器成本 |
| 带宽 | 模型传输 / 冷启动 |
对应的核心手段可以抽象为三类：
减少冗余 → 表示压缩 → 知识迁移
也正好对应：
- 剪枝（减少冗余）
- 量化（低精度表示）
- 蒸馏（知识迁移）
三、剪枝（Pruning）：从“全连接”到“结构稀疏”
3.1 剪枝的核心思想
并非所有参数都同样重要
大量研究与实践表明：
- 神经网络中存在显著参数冗余
- 删除部分权重后，模型性能下降并不明显
剪枝的目标就是：
在尽量不损失精度的前提下，删除不重要的参数或结构
3.2 剪枝的主要类型
1️⃣ 非结构化剪枝（Unstructured Pruning）
粒度：单个权重
常见方法：
- 基于权重大小（Magnitude-based）
- L1 / L2 正则诱导稀疏
✅ 优点：
- 压缩率高
❌ 缺点： - 稀疏矩阵对硬件不友好
- 实际加速效果有限
2️⃣ 结构化剪枝（Structured Pruning）
粒度：
- 通道（Channel）
- 卷积核（Kernel）
- 注意力头（Head）
常见于：
- CNN
- Transformer
✅ 优点：
- 真正可加速
- 更适合工程落地
❌ 缺点： - 剪枝策略设计复杂
3.3 工程实践中的经验总结
📌经验 1：结构化剪枝更适合生产环境
如果目标是推理加速，优先考虑结构化剪枝。
📌经验 2：剪枝 ≠ 一次性操作
推荐流程：
- 训练完整模型
- 剪枝
- 微调（Fine-tune）
- 评估
📌经验 3：Transformer 剪枝要更谨慎
- Attention Head 剪枝
- FFN 中间层维度裁剪
- 层级剪枝（Layer Drop）
四、量化（Quantization）：让模型“轻装上阵”
4.1 量化在做什么？
用更低的数值精度表示参数和计算
典型变化：
- FP32 → INT8
- FP16 / BF16
- 混合精度
核心收益：
- 模型体积 ↓
- 内存访问 ↓
- 推理速度 ↑
4.2 主流量化方式对比
| 方法 | 是否需重训 | 精度影响 | 工程难度 |
|---|---|---|---|
| PTQ（后训练量化） | ❌ | 中 | ⭐ |
| QAT（量化感知训练） | ✅ | 小 | ⭐⭐⭐ |
| 动态量化 | ❌ | 小 | ⭐⭐ |
4.3 工程实践中的关键细节
📌经验 1：PTQ 是性价比最高的起点
- 特别适合已有成熟模型
- 配合校准数据即可
📌经验 2：QAT 是精度敏感场景的首选
- NLP / Transformer 模型更适合 QAT
- 训练成本较高，但收益稳定
📌经验 3：注意算子支持情况
- 并非所有算子都支持 INT8
- 推理框架（TensorRT / ONNX Runtime）差异明显
五、蒸馏（Knowledge Distillation）：让小模型“学会思考”
5.1 蒸馏的本质
把大模型的“知识”迁移到小模型中
Teacher → Student
不再只学习 hard label，而是：
- soft label
- 中间特征
- attention 分布
5.2 常见蒸馏方式
- Logits 蒸馏（最常用）
- Feature 蒸馏
- Attention 蒸馏
- 自蒸馏（Self-distillation）
5.3 蒸馏在大模型时代的价值
📌经验 1：蒸馏是“小模型逆袭”的关键
在同等参数量下：
蒸馏模型 ≫ 从头训练模型
📌经验 2：蒸馏可以与剪枝、量化叠加
典型组合：
- 先蒸馏 → 再量化
- 大模型蒸馏 + 小模型 QAT
📌经验 3：蒸馏是成本与效果的平衡器
- 推理成本 ↓
- 性能损失可控
六、三种技术如何组合？一套实用策略
推荐工程组合路径
蒸馏 → 剪枝 → 量化
原因：
- 蒸馏保证性能上限
- 剪枝减少结构冗余
- 量化进一步压缩与加速
不同场景的建议
| 场景 | 推荐方案 |
|---|---|
| 移动端 | 蒸馏 + INT8 |
| 云端高并发 | 结构化剪枝 + 量化 |
| 极致性能 | QAT + TensorRT |
| 快速落地 | PTQ |
七、年度总结与个人思考
回顾这一年在模型压缩方向的学习与实践，我越来越深刻地感受到：
模型压缩不是“妥协”，而是工程智慧。
它考验的已经不仅是算法能力，而是：
- 对业务需求的理解
- 对系统瓶颈的判断
- 对成本与收益的权衡
未来，随着：
- 大模型推理成本持续走高
- 边缘 AI 场景不断扩大
模型压缩将从“优化选项”变成“工程标配”。
八、写在最后
希望这篇年度技术总结，能为你在模型部署、推理优化、工程落地的道路上提供一份参考。
如果你对：
- Transformer 剪枝
- 大模型蒸馏
- 推理框架优化
感兴趣，欢迎在评论区交流 🤝
也欢迎关注我的博客：
👉 https://yangdanyang.blog.csdn.net/
