OTOV2提出了一种自动化的DNN训练与压缩框架，通过创新性的图算法自动划分零不变组（ZIG）并采用双半空间投影梯度（DHSPG）优化器实现结构化稀疏。该框架能够一次性完成模型训练与压缩，无需微调即可生成高性能紧凑模型。关键技术包括：1）自动ZIG分区算法（线性时间复杂度）识别最小可剪枝参数组；2）DHSPG优化器通过双半空间投影实现可靠稀疏控制。相比前代，OTOv2具有更好的泛化能力和更少的超参

本文系统介绍了神经网络量化方法，首先区分了定点与浮点表示的差异，重点阐述了对称量化（将FP32值线性映射到INT8范围）和非对称量化（通过min/max确定缩放系数）两种核心方法。量化算术部分说明了INT8运算需INT32保存结果的实现机制。文章详细对比了三种主流量化技术：训练后动态量化（实时调整参数）、静态量化（固定校准参数）以及量化感知训练（模拟量化噪声），并提供了PyTorch实现代码示例。

总结：更新CUDA版本和驱动版本。