自2012年AlexNet在ImageNet挑战赛上获胜后，卷积神经网络逐渐成为深度学习领域重要的基础网络架构，随之出现了大量更深和更复杂的网络架构，如VGG、ResNet等。这些模型在获取更高准确率的同时也不可避免的产生了大量的模型参数，并不适合直接应用与手机等嵌入式设备中，通常需要在部署前进行一定的优化，而模型量化是常用的优化方法之一。

模型量化是一种将浮点计算转成低比特定点计算的技术，可以有效的降低模型计算强度、参数规模和内存消耗。其中，Int8 量化已经被证明可以满足应用对计算精度和速度的需求，但各种的Int8 量化算法要么精度损失大，要么逻辑复杂难以实现。近日，格灵深瞳开源了其EasyQuant量化算法，可以在损失少量精度的前提下对模型进行压缩，又易于实现。

为了更好的认识和了解EasyQuant量化算法，8月24日晚7点，格灵深瞳合肥研发中心负责人张明将在智东西公开课进行直播讲解，主题为《EasyQuant——一种实用且易实现的量化算法》。同时，这也是智东西公开课推出的嵌入式AI合辑第10讲。

张明老师将从模型量化的实现方法与挑战出发、通过线性量化表达式、缩放尺度优化、INT7精度推理等方面深入讲解EasyQuant量化算法，及在轻量级模型量化中应用。