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

├──01.课程简介-.mp4 11.66M
├──02.所需基本环境配置-.mp4 24.92M
├──03.模型加载与数据预处理-.mp4 38.03M
├──04.接收与预测模块实现-.mp4 37.28M
├──05.效果实例演示-.mp4 41.66M
├──07.项目所需配置文件介绍-.mp4 24.02M
├──08.加载参数与模型权重-.mp4 35.46M
├──09.数据预处理-.mp4 54.01M
├──10.返回线性预测结果-.mp4 40.74M
├──11.docker简介-.mp4 25.19M
├──12.docker安装与配置-.mp4 26.35M
├──13.阿里云镜像配置-.mp4 15.00M
├──14.基于docker配置pytorch环境-.mp4 65.02M
├──15.安装演示环境所需依赖-.mp4 19.24M
├──16.复制所需配置到容器中-.mp4 16.10M
├──17.上传与下载配置好的项目-.mp4 27.25M
├──18.tf-serving项目获取与配置-.mp4 16.30M
├──19.加载并启动模型服务-.mp4 19.02M
├──20.测试模型部署效果-.mp4 23.13M
├──21.fashion数据集获取-.mp4 58.22M
├──22.加载fashion模型启动服务-.mp4 18.21M
├──23.论文算法核心框架概述-.mp4 19.83M
├──24.BatchNorm要解决的问题-.mp4 28.81M
├──25.BN的本质作用-.mp4 14.47M
├──26.额外的训练参数解读-.mp4 14.01M
├──27.稀疏化原理与效果-.mp4 16.01M
├──28.整体案例流程解读-.mp4 17.47M
├──29.加入L1正则化来进行更新-.mp4 15.28M
├──30.剪枝模块介绍-.mp4 14.94M
├──31.筛选需要的特征图-.mp4 20.65M
├──32.剪枝后模型参数赋值-.mp4 62.58M
├──33.微调完成剪枝模型-.mp4 22.22M
├──34.模型剪枝分析-.mp4 23.38M
├──35.常见剪枝方法介绍-.mp4 17.49M
├──36.mobilenet简介-.mp4 6.65M
├──37.经典卷积计算量与参数量分析-.mp4 18.11M
├──38.深度可分离卷积的作用与效果-.mp4 11.30M
├──39.参数与计算量的比较-.mp4 44.85M
├──40.V1版本效果分析-.mp4 17.59M
├──41.V2版本改进以及Relu激活函数的问题-.mp4 21.58M
├──42.倒残差结构的作用-.mp4 12.68M
├──43.V2整体架构与效果分析-.mp4 7.18M
├──44.V3版本网络架构分析-.mp4 8.75M
├──45.SE模块作用与效果解读-.mp4 23.27M
├──46.代码实现mobilenetV3网络架构-.mp4 33.17M
├──47.卷积网络参数定义-.mp4 14.97M
├──48.网络流程解读-.mp4 86.43M
├──49.Vision模块功能解读-.mp4 11.68M
├──50.分类任务数据集定义与配置-.mp4 58.36M
├──51.图像增强的作用-.mp4 9.71M
├──52.数据预处理与数据增强模块-.mp4 20.00M
├──53.Batch数据制作-.mp4 21.97M
├──54.迁移学习的目标-.mp4 9.05M
├──55.迁移学习策略-.mp4 11.52M
├──56.加载训练好的网络模型-.mp4 24.62M
├──57.优化器模块配置-.mp4 12.72M
├──58.实现训练模块-.mp4 18.10M
├──59.训练结果与模型保存-.mp4 22.01M
├──60.加载模型对测试数据进行预测-.mp4 46.92M
├──61.额外补充-Resnet论文解读-.mp4 58.66M
├──62.额外补充-Resnet网络架构解读-.mp4 23.08M
├──63.猫狗识别任务与数据简介-.mp4 25.32M
├──64.卷积网络涉及参数解读-.mp4 31.56M
├──65.网络架构配置-.mp4 38.75M
├──66.卷积模型训练与识别效果展示-.mp4 57.43M
└──资料.zip 1.26G