综述了FPGA与微控制器协同的软传感器及神经网络量化加速研究，涵盖定点量化、混合精度、极低比特网络、二值化YOLOv2、HAWQ、CascadeCNN等方案，在CIFAR-10、ImageNet及粒子物理任务中实现高能效实时推理，最高达10.3 TOPS、每瓦325.3张图像。

该文综述多种神经网络量化方法，包括网络正交性代理、APQ联合优化、EMQ进化搜索、HAQ强化学习、APTQ后训练量化、OHQ硬件感知及PalQuant并行低精度等，旨在降低延迟与能耗，保持精度，并在ImageNet等基准上验证有效性。

该文综述神经网络量化研究，通过低比特编码压缩权重与激活以减少内存并加速推理。方法涵盖LSTM、GRU、GAN及图神经网络，结合混合精度与数据无关量化，在少量精度损失下实现最高18.6倍压缩和显著加速。

本文综述深度神经网络量化研究，涵盖固定点、浮点与混合精度方法。FxP-QNet可动态设计量化级别，压缩内存7至10倍，精度损失低于2%。研究比较了整数量化与低精度浮点，提出FPGA混合方案、GPTQ后训练量化及一次性混合精度搜索，在ImageNet上提升ResNet精度。

本文综述神经网络量化技术，涵盖权重与激活的低比特量化、量化感知训练和后训练量化，重点方法包括Learned Step Size、SAT、ProxQuant、GPTQ等，可在1至4比特下保持精度，并缓解震荡与内存问题，推动高效部署。

本文综述了多种神经网络量化方法，包括DetPTQ通过检测结果自适应选择量化参数以提升2D和3D检测器性能，GPTQ证明基于梯度的后训练量化具有鲁棒性并提出混合精度技术，ZeroQuant利用细粒度量化和知识蒸馏压缩大型Transformer模型，以及半监督3D检测、LLM近3位量化、LDMs压缩和BERT量化等研究。

该文综述神经网络量化技术，通过降低权重、激活和累加器精度来减少内存与功耗，提升硬件效率。研究涵盖量化感知训练、后训练量化及统一低位框架，在ImageNet等基准上保持精度，并推动FPGA等加速器优化。

神经网络量化是一种压缩神经网络的技术，提高了人工智能的部署效率。粗细权重拆分（CFWS）方法是第一个能在重新参数化的网络上进行后训练量化的工作，通过改进的KL指标解决了精度下降的问题。量化的RepVGG-A1模型仅损失了0.3%的准确性。