训练后量化后的“模型未量化”取决于模型结构？

训练后量化后的“模型未量化”取决于模型结构。量化是指将浮点数模型参数转换为定点数或低精度表示的过程，以减少模型的存储空间和计算量。在量化过程中，模型的结构对于量化后的模型性能有一定影响。

模型结构包括模型的层数、神经元数量、卷积核大小、网络拓扑结构等。这些结构决定了模型的复杂度和表达能力。在量化过程中，模型结构的复杂度可能会导致量化后的模型性能下降，因为低精度表示可能无法准确地表示复杂的模型结构。

另外，模型结构还会影响量化后模型的推理速度和精度。一些模型结构可能更适合低精度表示，因为它们具有较少的参数和计算量。而对于一些复杂的模型结构，低精度表示可能会导致精度损失，因为低精度表示无法准确地表示模型中的细节和特征。

在应用场景上，量化后的模型可以在边缘设备上进行高效的推理，减少计算资源和能耗的消耗。这对于移动设备、物联网设备等资源受限的场景非常有用。

对于腾讯云相关产品，推荐使用腾讯云的AI推理服务（https://cloud.tencent.com/product/ti），该服务提供了高性能的AI推理能力，支持量化模型的部署和推理。同时，腾讯云还提供了丰富的云计算产品和解决方案，可以满足各种云计算需求。

总结起来，训练后量化后的“模型未量化”取决于模型结构，模型结构的复杂度和特性会影响量化后模型的性能、推理速度和精度。在实际应用中，可以根据具体场景选择适合的量化方法和腾讯云相关产品来进行模型的部署和推理。