當下人工智能技術正加速發展，滲透到云、邊、端和應用的各個層面，與海量 IoT 設備進行深度融合，不斷拓展應用場景。然而在 AIoT 場景中，嵌入式設備往往算力有限，難以承載龐大的 AI 模型。如何在資源有限的終端場景實現 AI 模型的有效部署，是加速 AI 落地的重要問題。AI 工程師們研發了各種試圖縮小模型大小并保持性能的辦法，例如量化和蒸餾。其中，模型量化是將浮點計算轉成低比特定點計算的一種模型壓縮技術，可以有效減少模型算力消耗并提升計算速度，當前已經在工業界發展比較成熟。

　　目前相對成熟的模型量化方案是 INT8 量化。以 ResNet-50 模型為例，原本需要用 float 32 表示的權重，量化后只需要使用  INT8 表示，通過這樣的處理，模型體積可以減少到原來的 1/2，再加上 TensorCore 的加持，還會有近 8 倍的網絡加速。而如果更進一步，將模型用 INT4 表示，可以帶來更多的速度提升。

　　為了推動低比特量化技術的發展，曠視天元 MegEngine 團隊開源了 INT4 的源碼實現，這也讓 MegEngine 成為首個開源 CUDA INT4 源碼實現的深度學習框架。MegEngine 采用均勻線性量化方案，實現了非對稱量化和對稱量化兩種 INT4 的數據類型，同時通過算子融合優化、kernel 優化等方法，使得量化后的模型可以依然保持較高的精度以及良好的運行速度。同樣以 ResNet-50 為例，INT4 相比 INT8 有 1.3 倍的加速。

　　具體代碼實現可以訪問 GitHub 鏈接(https://github.com/MegEngine/examples )了解詳情。

　　隨著 CUDA INT4 的開源，目前 MegEngine 框架不僅支持浮點數 FP32 和 FP16，而且支持 INT8 和 INT4 的對稱和非對稱量化推理。此外，MegEngine 框架開發了諸多工具，幫助用戶提升模型推理性能、簡化部署流程，包括自動代碼裁剪功能，支持用戶全自動的針對算子進行代碼裁剪;TracedModule 方案以及 MegEngine Lite，基于曠視海量業務打磨出的模型推理最佳實踐，化解模型轉換部署難題;流程管理工具 FastRun, 可以為每個計算自動選擇最快的算法，從而保證整個網絡的運行時間最短，讓 MegEngine 用戶運行不同的網絡時都能收獲最好性能。

　　自開源以來，MegEngine 不斷優化，已先后發布 29 個版本，推出一系列實用功能，降低 AI 算法生產門檻，助力 AI 應用快速落地。未來，曠視將繼續支持和擁抱開源，并將自身在開源領域積累的技術和經驗與業界共享，推動人工智能技術創新和行業發展。