Die Quantisierung von Gewichten und Aktivierungen tiefer neuronaler Netze ist entscheidend für deren Einsatz auf ressourcenbeschränkten Geräten oder Cloud-Plattformen für skalierbare Dienste. Während die Binarisierung ein Spezialfall der Quantisierung darstellt, führt dieser extreme Fall häufig zu erheblichen Schwierigkeiten beim Training und erfordert spezialisierte Modelle sowie spezifische Trainingsmethoden. Infolge dessen bieten neuere Quantisierungsmethoden in der Regel keine Binarisierung an, wodurch die ressourceneffizienteste Option verloren geht, und quantisierte sowie binarisierte Netzwerke sind zu getrennten Forschungsfeldern geworden. Wir untersuchen die Schwierigkeiten der Binarisierung im Rahmen eines Quantisierungsframeworks und stellen fest, dass zur Unterstützung des binären Trainings lediglich ein symmetrischer Quantisierer, eine gute Initialisierung und eine sorgfältige Hyperparameterauswahl erforderlich sind. Diese Techniken führen zudem zu erheblichen Verbesserungen bei der Multi-Bit-Quantisierung. Wir demonstrieren unser einheitliches Quantisierungsframework, bezeichnet als UniQ, anhand des ImageNet-Datensatzes mit verschiedenen Architekturen wie ResNet-18, ResNet-34 und MobileNetV2. Bei der Multi-Bit-Quantisierung erreicht UniQ die bisher beste Genauigkeit und übertrifft bestehende Methoden. Bei der Binarisierung erzielt UniQ eine Genauigkeit, die mit den aktuellen State-of-the-Art-Methoden vergleichbar ist, selbst ohne Modifikation der ursprünglichen Architekturen.