VisualQuantization：ONNX神经网络量化差异的可视化诊断工具

神经网络量化是边缘设备部署的关键技术，但精度损失来源定位困难。VisualQuantization是一款专注于ONNX模型量化差异分析的可视化工具，提供异构计算图语义比对、算子融合检测、权重分布解析等核心功能，帮助开发者快速定位量化过程中的精度损失问题，适用于量化策略调优、部署调试等多场景。

神经网络量化能显著降低模型体积和推理延迟，是边缘设备部署的标配。但量化涉及复杂校准、层间协调，精度下降时开发者需解决权重分布变化、算子融合语义改变、异构计算图对应关系建立等问题，传统调试方法效率低下且不直观。

1. 异构计算图语义比对：通过语义感知图对齐算法建立原始浮点模型与量化模型的节点对应关系；
2. 算子融合检测：自动识别量化过程中的算子融合模式，可视化融合前后计算图对比；
3. 权重分布解析：展示每层权重原始与量化后的分布对比、直方图分位点分析及异常值检测；
4. 双栏联动视图：双栏布局展示原始与量化模型，选中节点时自动高亮对应节点实现跨模型导航。

VisualQuantization适用于：

1. 量化策略调优：验证新量化算法对模型结构的影响；
2. 模型部署调试：快速定位量化模型精度问题层；
3. 教育与研究：展示量化技术内部机制；
4. 工具链评估：对比不同量化工具（如ONNX Runtime、TensorRT）生成的模型差异。

项目基于ONNX格式开发，支持PyTorch、TensorFlow等可导出ONNX的框架；后端采用Python进行图分析和数据处理，前端提供直观交互界面。

VisualQuantization填补了神经网络量化工具链的空白，帮助开发者直观理解和诊断量化过程，提升模型部署成功率和效率，是边缘AI开发工程师值得关注的实用工具。