深度学习模型部署与剪枝优化实例

深度学习模型部署与剪枝优化实例
共65节 2655人在学 课程详情

  • PyTorch框架部署实践

    • 课程简介（课程数据代码下载，需网页登录）
    • 所需基本环境配置
    • 模型加载与数据预处理
    • 接收与预测模块实现
    • 效果实例演示

  • YOLO-V3物体检测部署实例

    • 项目所需配置文件介绍
    • 加载参数与模型权重
    • 数据预处理
    • 返回线性预测结果

  • docker实例演示

    • docker简介
    • docker安装与配置
    • 阿里云镜像配置
    • 基于docker配置pytorch环境
    • 安装演示环境所需依赖
    • 复制所需配置到容器中
    • 上传与下载配置好的项目

  • tensorflow-serving实战

    • fashion数据集获取
    • 加载fashion模型启动服务
    • tf-serving项目获取与配置
    • 加载并启动模型服务
    • 测试模型部署效果

  • 模型减枝-Network Slimming算法分析

    • BatchNorm要解决的问题
    • BN的本质作用
    • 额外的训练参数解读
    • 稀疏化原理与效果
    • 论文算法核心框架概述

  • 模型减枝-Network Slimming实战解读

    • 加入L1正则化来进行更新
    • 剪枝模块介绍
    • 筛选需要的特征图
    • 剪枝后模型参数赋值
    • 微调完成剪枝模型
    • 整体案例流程解读

  • Mobilenet三代网络模型架构

    • 常见剪枝方法介绍
    • mobilenet简介
    • 经典卷积计算量与参数量分析
    • 深度可分离卷积的作用与效果
    • 参数与计算量的比较
    • V1版本效果分析
    • V2版本改进以及Relu激活函数的问题
    • 倒残差结构的作用
    • V2整体架构与效果分析
    • V3版本网络架构分析
    • SE模块作用与效果解读
    • 代码实现mobilenetV3网络架构
    • 模型剪枝分析

  • 基础补充-PyTorch卷积模型实例

    • 网络流程解读
    • Vision模块功能解读
    • 分类任务数据集定义与配置
    • 图像增强的作用
    • 数据预处理与数据增强模块
    • Batch数据制作
    • 迁移学习的目标
    • 迁移学习策略
    • 加载训练好的网络模型
    • 优化器模块配置
    • 实现训练模块
    • 训练结果与模型保存
    • 加载模型对测试数据进行预
    • 额外补充-Resnet论文解读
    • 额外补充-Resnet网络架构解读
    • 卷积网络参数定义

  • 基础补充-Tensorflow2版本卷积模型实例

    • 卷积网络涉及参数解读
    • 网络架构配置
    • 卷积模型训练与识别效果展示
    • 猫狗识别任务与数据简介

    订阅失败

    深度学习模型部署与剪枝优化实例
    深度学习模型部署与剪枝优化实例 ...

    订阅列表已满，请先移出部分订阅内容。

    当前章节需购买后观看
    开通超级会员免费看！专家精选系列课程，满足你从入门到精通！更有问答月卡免费送，你的问题有问必答！
    提交答案

    购买课程

    扫码完成付费，可继续学习全部课程内容

    加载中...
    播放页问题反馈
    视频学习中有任何产品建议都可由此反
    馈，我们将及时处理！

    课时介绍

    所需基本环境配置

    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。


    推荐课程
    正在试验
    后自动删除环境
    课程实验
    本次实验时间已到期 00:00:00
    课件正在飞速打包中，请耐心等待几秒钟～