Pytorch图像去噪实战（三十八）：ONNX INT8量化图像去噪模型实战，让推理更快更省资源一、问题场景：ONNX部署了，但CPU推理仍然太慢前面我们已经把图像去噪模型导出 ONNX，并用 FastAPI 部署了服务。但如果服务器没有 GPU，CPU 推理可能仍然比较慢。特别是：批量图片处理OCR前处理高并发服务低配云服务器边缘设备部署这时可以考虑模型量化。本文重点实现：使用 ONNX Runtime 对图像去噪模型做动态量化和静态量化思路说明。二、什么是量化？普通模型权重通常是 FP32。量化就是把部分计算从 FP32 转成 INT8。优点：模型更小推理更快内存占用更低CPU部署更友好缺点：可能带来精度下降图像恢复任务对量化更敏感输出可能出现亮度偏移或块状伪影三、量化适合哪些模型？更适合：