simedw 部署哲学：PyTorch → Core ML + INT8 量化
Simedw PyTorch 训练 → Core ML 部署 + INT8 量化。量化损失换 iOS 部署 + 端侧默认 = 0 隐私风险。一人工程部署哲学 = 训练与部署可分离 + 量化是 solo engineer 默认 + 端侧默认 = 9 核心哲学之一。
simedw 部署哲学详细：
PyTorch → Core ML + INT8 量化 = simedw 部署的核心。
simedw 部署管线
simedw 部署管线：
- PyTorch 训练（Python，4 × RTX 4090）
- ONNX 导出（中间格式）
- Core ML 转换（Apple 生态）
- INT8 量化（iOS 部署）
- iPhone 15 上跑 108 notes/sec
5 个部署步骤。
训练与部署可分离
simedw 训练用 PyTorch（标准研究工具），部署用 Core ML（Apple 优化）。
训练与部署可分离的好处：
- 研究期间选 PyTorch（社区支持好 + 灵活）
- 部署期间选 Core ML（Apple 优化 + iOS 集成）
- 不绑定一个 framework
- 可针对不同平台选不同 framework
4 个好处 = 训练与部署可分离哲学。
INT8 量化损失换部署
INT8 量化 = 32-bit float 量化到 8-bit int：
- 模型大小 4× 减少（125M × 4 bytes → 125M × 1 byte）
- 推理速度 2-3× 提升
- 量化损失（精度小幅下降）
3 个 INT8 量化效果。
simedw 接受量化损失换：
- iOS 部署（INT8 模型在 iPhone 跑得动）
- 模型大小（125M × 1 byte = 125MB → 可放进 iPhone）
- 推理速度（108 notes/sec）
3 个 simedw INT8 优势。
端侧默认 = 0 隐私风险
simedw 模型在 iPhone 上跑，不上传云端。
端侧默认的好处：
- 用户输入不上传（隐私 0 风险）
- 模型不上传（Apple 不掌握 simedw 模型）
- 推理在本地（断网也能用）
- 隐私协议简单（不需要 GDPR / CCPA）
4 个端侧默认好处。
跟云端 AI 部署的对照
云端 AI 部署：
- 用户输入上传云端
- 模型在云端
- 推理需要联网
- 隐私协议复杂
simedw 端侧部署：
- 用户输入不上传
- 模型在本地
- 推理不需要联网
- 隐私协议简单
4 个对照 = 端侧默认 vs 云端部署哲学。
simedw 为什么选端侧默认
simedw 选端侧默认因为：
- 钢琴 MIDI 数据 = 隐私数据（用户的钢琴录音 / 续写）
- 上传云端 = 隐私风险
- iPhone 算力够（108 notes/sec）
- 端侧 = 一人工程 9 核心哲学之一
4 个 simedw 端侧默认理由。
量化 vs 不量化的对照
不量化（FP32）：
- 模型大小 500MB（125M × 4 bytes）
- iOS 部署困难（iPhone 内存限制）
- 推理速度慢
INT8 量化：
- 模型大小 125MB（125M × 1 byte）
- iOS 部署可接受
- 推理速度快（108 notes/sec）
3 个对照 = 量化胜出（端侧部署）。
一人工程的部署哲学
solo engineer 部署哲学：
- 训练与部署可分离（PyTorch + Core ML）
- 量化是 solo engineer 默认（INT8）
- 端侧默认 = 0 隐私风险
- iOS 部署优先（Apple 生态）
4 个事实 = solo engineer 部署哲学。
一人工程的部署哲学总结
solo engineer 部署哲学：
- 训练用 PyTorch（研究）
- 部署用 Core ML（Apple 优化）
- 量化用 INT8（iOS 部署）
- 默认端侧（0 隐私）
4 个事实 = solo engineer 部署哲学的全部。
simedw 部署 = PyTorch + Core ML + INT8 + 端侧 = 一人工程部署哲学的全部。
这是 50+ 篇散文的部署篇。Simedw PyTorch → Core ML + INT8 量化 + 端侧默认 = 0 隐私风险 = 训练与部署可分离 + 量化是 solo engineer 默认 = 一人工程部署哲学的全部。