VLCQ
VLCQ是一种基于变长编码的训练后量化方法，放弃定点整数编码约束，用变长编码表示量化数值，在无需训练数据或微调的情况下平衡高压缩率和精度。
时间轴 (近 90 天)
论文《VLCQ: Post-training quantization for deep neural networks using variable length coding》提出了使用变长编码进行训练后量化的方法，不需要访问训练数据或微调模型。
VLCQ属于完全data-free的PTQ，不需要校准数据，适合训练数据因隐私、版权或采集成本而无法获取的场景。
VLCQ通过变长编码表示量化后的数值，使得数值分布密集的区域可以用更精细的编码，稀疏区域用更短的编码。
VLCQ在图像分类、分割和目标检测三类任务上进行了实验，在per-channel量化方面多数模型上超过了FP32精度和PWLQ，相比FP32实现最高6倍压缩，相比PWLQ实现最高1.7倍压缩。
当压缩优先级更高、容忍有限精度损失时，VLCQ相比FP32可达到最高12.25倍压缩，性能下降控制在4%以内。
在per-tensor量化方面，VLCQ与Data-Free Quantization（DFQ）表现相当，但在不同任务和模型上提供更大的灵活性。
PWLQ与DFQ都没有跳出固定码长这一前提，而VLCQ改变了编码机制本身。
变长编码带来编解码复杂度增加，解码开销可能抵消存储收益，论文未详细讨论硬件友好程度。
全部知识事实 (8)
论文《VLCQ: Post-training quantization for deep neural networks using variable length coding》提出了使用变长编码进行训练后量化的方法，不需要访问训练数据或微调模型。
50%待验证VLCQ属于完全data-free的PTQ，不需要校准数据，适合训练数据因隐私、版权或采集成本而无法获取的场景。
50%待验证VLCQ通过变长编码表示量化后的数值，使得数值分布密集的区域可以用更精细的编码，稀疏区域用更短的编码。
50%待验证VLCQ在图像分类、分割和目标检测三类任务上进行了实验，在per-channel量化方面多数模型上超过了FP32精度和PWLQ，相比FP32实现最高6倍压缩，相比PWLQ实现最高1.7倍压缩。
50%待验证当压缩优先级更高、容忍有限精度损失时，VLCQ相比FP32可达到最高12.25倍压缩，性能下降控制在4%以内。
50%待验证在per-tensor量化方面，VLCQ与Data-Free Quantization（DFQ）表现相当，但在不同任务和模型上提供更大的灵活性。
50%待验证PWLQ与DFQ都没有跳出固定码长这一前提，而VLCQ改变了编码机制本身。
50%待验证变长编码带来编解码复杂度增加，解码开销可能抵消存储收益，论文未详细讨论硬件友好程度。
50%