今天介绍一个在 AI 算法领域比较常见而且很重要的岗位——模型量化岗。
按惯例，先从某聘上截图一个量化工程师的招聘信息。
只看与量化相关的词，基本涉及到了量化精度、模型结构、算法这些关键词，下面来介绍一下这个岗位。
1、先看下什么是模型量化
模型量化(Model Quantization)是深度学习中的一项关键技术，它通过对模型结构的改变、算法的替换、数据的量化等操作，来减小模型的体积，降低内存占用，提高推理速度。
在这个基础上，还可以在保持一定的推理精度。
量化主要是为了满足在嵌入式设备、移动设备和边缘计算等资源受限的环境中部署模型的需求。
模型量化的核心思想
深度学习模型通常使用浮点数(32位或64位)进行计算，这在计算和存储上都需要大量的资源。
而在实际应用中，一些场景可能并不需要如此高的精度。
模型量化的核心思想就是降低数据的位宽数，通常的做法是从浮点数降到定点数或者更低位的浮点数，比如将数据从32位的浮点数降低到 int8 的定点数，或者降低到16位的浮点数。
模型量化的优势
-
减小模型大小：通过量化，模型的大小显著减小，适合在资源受限的设备上部署。
-
提高推理速度：低位宽的数据，可以减少带宽占用，运算速度也会更快。
-
降低功耗：在一些移动设备上，低位表示需要的功耗更低。
-
更好的部署：适应于嵌入式设备、移动设备和边缘计算等场景。
2、岗位做什么以及需要什么要求
如上面说的，在了解了这个岗位是做什么的之后，那么对于候选人大概需要什么要求呢？
-
深度理解深度学习的算法原理和实现细节。这一点算是该岗位的入门要求。
如果对深度学习算法理解不深，是很难完成模型的修改和算法变换的，更别提对一些算法的输入、输出数据进行量化了。
-
对数据和数值的敏感。量化工程师有些时候需要分析真实网络中输入输出数据的真实分布，比如是符合高斯分布吗，数据均值是多少，方差是多少，最大最小值一般在什么范围内，以此来确定是否可以将数据量化到某一范围内。
所以，还需要有一些概率论和数理统计的知识加持，才好完成这份工作。
-
对精度的敏感。很多时候，将高位宽的数据量化到低位宽的数据后，神经网络的推理会损失精度，但是可以提高性能。
这两者需要有个权衡，如何在确保性能提升的前提下，损失的精度在可接受的范围内，是需要一定的先验知识来完成的。
-
基本语言：熟练的 python 技能是重点。因为 python可以更好的在多种框架或平台下快速验证某一算法，并依据某一算法进行结果测试、数据统计、量化实验等，当然 C++ 基础也是加分项。
3、最后看薪资
直接贴图，有经验的硕士基本 50k 以上的薪资，还是很诱人的。
如果没有相关的工作经验，但是熟悉模型结构、深度学习算法及算法细节、有数理统计等数学基础，也可以考虑。
毕竟这是一个高薪研发岗位，感兴趣的小伙伴冲吧~
一个岗位职责会涉及很多细节，无法一一写出，以上仅为个人见解，欢迎评论区交流。
参考：^ AI 模型量化岗是做什么的？
