cout<<13.6 + 8 % 3 * (int) (13.6 - 8.3) / 4;结果是15.6

WonderOne 2005-03-24 09:31:03

还是15.600000
为什么？

...全文

109 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

EnochShen 2005-03-24

打赏
举报

回复

13.6+2

pcboyxhy 2005-03-24

打赏
举报

回复

13.6 + 8 % 3 * (int) (13.6 - 8.3) / 4;

8%3 = 2
13.6-8.3 = 5.3
(int)5.3 = 5

2*5=10
10/4 = 2
13.6+2=?

本文通过实测分析LMDeploy在INT4/INT8量化下对InternLM模型的显存占用、推理速度及准确率的影响。结果显示，INT8可减少50%显存，提升30%速度，性能损失小于3%；INT4显存降幅达71%，速度提升60%，但准确率损失约8%。为大模型部署提供权衡依据。

本文介绍LLM推理量化评估文章，对比FP8、INT8、INT4等量化格式在不同场景的表现，如FP8在推理场景损失小，W4A16适合特定场景等。还给出大模型AI学习路径，包括初阶应用、高阶应用、模型训练和商业闭环四个阶段，并提供免费学习资料。

本文详细介绍了深度学习模型量化的概念、原因、目标、分类以及TensorRT INT8量化原理。通过实验展示了INT8量化在保持精度的同时，显著减少了模型尺寸、运算功耗和显存占用，提升了推理速度。具体测试结果显示，INT8量化后的准确度几乎没有下降，推理速度得到显著提升，尤其适用于资源受限的设备。

本文基于TensorRT 8对YOLOv5/v4/v3系列模型在GTX 1080Ti与Jetson NX平台进行FP32/FP16/INT8三类精度的实测对比。结果显示：INT8在1080Ti上平均提速15–25%，在Jetson NX上相对FP32提速达63%；yolov5x+INT8可在NX实现17.4 FPS，yolov5s+INT8达15.6 FPS。实验涵盖推理时延、显存占用及检测精度保持能力，验证了INT8在边缘实时目标检测中的可行性。

本文对比了BLIP2-OPT-2.7B模型在INT4、INT8和FP16三种量化方案下的显存占用、推理速度与精度表现。结果显示，INT4可降低87.5%显存，在资源受限环境下仍保持可用精度，适合消费级GPU部署；INT8为性能与精度平衡之选；FP16适用于高精度需求场景。

65,212

社区成员

250,514

社区内容

发帖

与我相关

我的任务

c++ 技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

请不要发布与C++技术无关的贴子
请不要发布与技术无关的招聘、广告的帖子
请尽可能的描述清楚你的问题，如果涉及到代码请尽可能的格式化一下

试试用AI创作助手写篇文章吧

+ 用AI写文章