三天搞定 SRCNN 原理與量化實作學習報告流程

這個緊湊的學習計畫旨在幫助您在三天內，從理論到實作，全面掌握 SRCNN 模型及其量化技術，並產出一份高品質的簡報。

第一天：基礎理論與原理理解

本日目標： 徹底理解 SRCNN 的運作原理，並建立對模型量化的宏觀認識。

上午：SRCNN 原理深潛 (約 3-4 小時)

精讀論文核心章節：eccv_2014_deepresolution.pdf (SRCNN 原始論文)
- 閱讀重點：
  - Section 3.1 Formulation (公式化)： 這是最重要的部分。請仔細閱讀其中描述的三個操作步驟：
    1. Patch extraction and representation (圖像塊提取與特徵表示)
    2. Non-linear mapping (非線性映射)
    3. Reconstruction (重建)
  - Figure 2 (圖 2)： 結合圖 2 來理解這三個步驟如何對應到一個三層的卷積神經網路。弄清楚每一層的輸入是什麼，輸出又是什麼。
- 學習目標： 您需要能夠用自己的話，清楚地解釋 SRCNN 為何只有三層、每一層（Conv1, Conv2, Conv3）各自扮演的角色是什麼，以及它們如何協同工作將一張模糊的影像變清晰。
製作簡報 Part 1 - 背景與模型原理
- 開啟簡報軟體，建立「專案背景」頁面，說明為何需要超解析度技術。
- 建立「SRCNN 模型原理」頁面，放入論文中的 Figure 2，並在旁邊用文字註解您理解的三個核心步驟。這是您報告的理論基礎。

下午：模型量化概念入門 (約 3-4 小時)

閱讀綜述性論文：1710.09282v9.pdf (A Survey of Model Compression...)
- 閱讀重點：
  - Abstract (摘要) & Section I. INTRODUCTION (引言)： 快速閱讀，了解為什麼需要模型壓縮與加速（為了部署在資源受限的裝置上，例如您的 Raspberry Pi）。
  - Section II. PARAMETER PRUNING AND QUANTIZATION (參數剪枝與量化)： 這是今天的重點。請專注於 Sub-section A. Quantization and Binarization (量化與二元化)。
- 學習目標：
  - 理解什麼是量化：將 32 位元浮點數 (FP32) 轉換為較低位元數（如 16 位元浮點數 FP16 或 8 位元整數 INT8）的過程。
  - 理解量化的好處：模型檔案更小、推論速度更快、更節省能源。
  - 理解量化的代價：可能會損失一些精度。
閱讀應用實例論文：Realization_of_Quantized_Neural_Network_for_Super-resolution_on_PYNQ.pdf
- 閱讀重點：
  - Abstract (摘要) & Section I. INTRODUCTION (引言)： 快速閱讀，您會發現這篇論文的目標與您的專案幾乎完全相同：在邊緣裝置上實現量化後的 SRCNN。
  - Figure 2 & 相關描述： 查看圖 2，論文提到當使用 12-bit 量化時，視覺效果與原始 SRCNN 幾乎一致。這給您一個重要的啟示：對 SRCNN 進行量化是完全可行的。
- 學習目標： 建立信心，並了解量化 SRCNN 是一個有實際應用價值且已經被驗證過的方向。
製作簡報 Part 2 - 量化技術介紹
- 建立「為何需要模型量化？」頁面，總結您從 Survey 論文中學到的好處。
- 建立「量化技術簡介」頁面，用簡單的圖示解釋 FP32 -> INT8 的概念，並說明其優缺點。

第二天：動手實作模型量化

本日目標： 將理論付諸實踐，親手將您訓練好的 .h5 SRCNN 模型轉換為量化後的 .tflite 模型。

上午：Float16 量化實作 (約 2-3 小時)

這是最簡單的量化方式，是很好的起點。

實作：
- 打開您專案中的 convert_to_tflite.py 腳本。
- 參考 Canvas 文件「在 Raspberry Pi 上部署...」步驟 1 中的程式碼，實現 Float16 量化。關鍵程式碼是在 converter 物件上加入：
```
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_types = [tf.float16]
```
- 執行腳本，產生一個 float16 量化的 .tflite 模型。
記錄與比較：
- 比較原始 .h5 模型和新的 .tflite 模型的大小 (KB/MB)。您會發現模型大小約減半。
製作簡報 Part 3 - 初步量化成果
- 建立「Float16 量化實作」頁面。
- 貼上您修改的關鍵程式碼。
- 製作一個表格，對比原始模型和 Float16 量化模型的檔案大小，展示量化的初步成果。

下午：INT8 整數量化實作 (約 4-5 小時)

這是能最大化速度的量化方式，也是您專案的核心實作部分。

閱讀理論與實作細節： 再次快速查看 1710.09282v9.pdf 中關於量化的部分，並仔細閱讀 TensorFlow Lite 官方文件中關於訓練後整數量化 (Post-training integer quantization) 的說明，特別是關於代表性資料集 (representative dataset) 的部分。