深度学习模型部署与剪枝优化实例课程介绍:
深度学习模型部署与剪枝优化实例课程旨在帮助同学们快速掌握模型部署与优化方法。主要包括两大核心模块:1.基于深度学习框架PyTorch与Tensorflow2版本演示模型部署方法,使用docker工具简化环境配置与迁移问题;2.详解经典剪枝与模型设计论文并基于实例进行演示。整体风格通俗易懂,用最接地气的方式带领同学们快速掌握部署方法与优化实例。
目录
章节1:PyTorch框架部署实践
课时1视频课程简介03:28
课时2视频所需基本环境配置05:52
课时3视频模型加载与数据预处理08:32
课时4视频接收与预测模块实现07:39
课时5视频效果实例演示08:20
课时6文本课程数据代码下载
章节2:YOLO-V3物体检测部署实例
课时7视频项目所需配置文件介绍07:08
课时8视频加载参数与模型权重07:40
课时9视频数据预处理10:37
课时10视频返回线性预测结果08:02
章节3:docker实例演示试看
课时11视频docker简介05:57
课时12视频docker安装与配置10:17
课时13视频阿里云镜像配置06:26
课时14视频基于docker配置pytorch环境10:56
课时15视频安装演示环境所需依赖09:38
课时16视频复制所需配置到容器中06:51
课时17视频上传与下载配置好的项目12:46
章节4:tensorflow-serving实战试看
课时18视频tf-serving项目获取与配置06:53
课时19视频加载并启动模型服务09:32
课时20视频测试模型部署效果08:50
课时21视频fashion数据集获取05:20
课时22视频加载fashion模型启动服务07:14
章节5:模型减枝-Network Slimming算法分析
课时23视频论文算法核心框架概述07:25
课时24视频BatchNorm要解决的问题06:54
课时25视频BN的本质作用07:56
课时26视频额外的训练参数解读07:15
课时27视频稀疏化原理与效果09:04
章节6:模型减枝-Network Slimming实战解读
课时28视频整体案例流程解读07:15
课时29视频加入L1正则化来进行更新06:32
课时30视频剪枝模块介绍05:01
课时31视频筛选需要的特征图09:19
课时32视频剪枝后模型参数赋值10:52
课时33视频微调完成剪枝模型06:44
章节7:Mobilenet三代网络模型架构
课时34视频模型剪枝分析07:23
课时35视频常见剪枝方法介绍11:40
课时36视频mobilenet简介04:10
课时37视频经典卷积计算量与参数量分析05:38
课时38视频深度可分离卷积的作用与效果07:13
课时39视频参数与计算量的比较14:59
课时40视频V1版本效果分析09:04
课时41视频V2版本改进以及Relu激活函数的问题07:23
课时42视频倒残差结构的作用06:42
课时43视频V2整体架构与效果分析04:09
课时44视频V3版本网络架构分析05:33
课时45视频SE模块作用与效果解读12:06
课时46视频代码实现mobilenetV3网络架构10:45
章节8:基础补充-PyTorch卷积模型实例试看
课时47视频卷积网络参数定义07:21可试看
课时48视频网络流程解读07:26
课时49视频Vision模块功能解读05:10
课时50视频分类任务数据集定义与配置06:27
课时51视频图像增强的作用04:51
课时52视频数据预处理与数据增强模块09:25
课时53视频Batch数据制作08:37
课时54视频迁移学习的目标05:31
课时55视频迁移学习策略07:11
课时56视频加载训练好的网络模型09:54
课时57视频优化器模块配置05:14
课时58视频实现训练模块08:15
课时59视频训练结果与模型保存09:31
课时60视频加载模型对测试数据进行预测09:10
课时61视频额外补充-Resnet论文解读11:47
课时62视频额外补充-Resnet网络架构解读08:26
章节9:基础补充-Tensorflow2版本卷积模型实例
课时63视频猫狗识别任务与数据简介05:38
课时64视频卷积网络涉及参数解读06:32
课时65视频网络架构配置08:27
课时66视频卷积模型训练与识别效果展示
此隐藏内容仅限VIP查看升级VIP
侵权联系与免责声明 1、本站资源所有言论和图片纯属用户个人意见,与本站立场无关 2、本站所有资源收集于互联网,由用户分享,该帖子作者与独角兽资源站不享有任何版权,如有侵权请联系本站删除 3、本站部分内容转载自其它网站,但并不代表本站赞同其观点和对其真实性负责 4、如本帖侵犯到任何版权问题,请立即告知本站,本站将及时予与删除并致以最深的歉意 如有侵权联系邮箱:1415374178@qq.com
评论0