深度学习模型部署与剪枝优化实例

本套课程为51CTO：深度学习模型部署与剪枝优化实例，课程官方售价298元。适合人群：深度学习方向的同学们。

资源目录：

|– 第1章-PyTorch框架部署实践
1-1课程简介.mp4
1-2所需基本环境配置.mp4
1-3模型加载与数据预处理.mp4
1-4接收与预测模块实现.mp4
1-5效果实例演示.mp4
|– 第2章-YOLO-V3物体检测部署实例
2-1项目所需配置文件介绍.mp4
2-2加载参数与模型权重.mp4
2-3数据预处理.mp4
2-4返回线性预测结果.mp4
|– 第3章-docker实例演示
3-1docker简介.mp4
3-2docker安装与配置.mp4
3-3阿里云镜像配置.mp4
3-4基于docker配置pytorch环境.mp4
3-5安装演示环境所需依赖.mp4
3-6复制所需配置到容器中.mp4
3-7上传与下载配置好的项目.mp4
|– 第4章-tensorflow-serving实战
4-1tf-serving项目获取与配置.mp4
4-2加载并启动模型服务.mp4
4-3测试模型部署效果.mp4
4-4fashion数据集获取.mp4
4-5加载fashion模型启动服务.mp4
|– 第5章-模型减枝-Network-Slimming算法
5-1论文算法核心框架概述.mp4
5-2BatchNorm要解决的问题.mp4
5-3BN的本质作用.mp4
5-4额外的训练参数解读.mp4
5-5稀疏化原理与效果.mp4
|– 第6章-模型减枝-Network-Slimming实例应用
6-1整体案例流程解读.mp4
6-2加入L1正则化来进行更新.mp4
6-3剪枝模块介绍.mp4
6-4筛选需要的特征图.mp4
6-5剪枝后模型参数赋值.mp4
6-6微调完成剪枝模型.mp4
|– 第7章-Mobilenet三代网络模型架构
7-1模型剪枝分析.mp4
7-2常见剪枝方法介绍.mp4
7-3mobilenet简介.mp4
7-4经典卷积计算量与参数量分析.mp4
7-5深度可分离卷积的作用与效果.mp4
7-6参数与计算量的比较.mp4
7-7V1版本效果分析.mp4
7-8V2版本改进以及Relu激活函数的问题.mp4
7-9倒残差结构的作用.mp4
7-10V2整体架构与效果分析.mp4
7-11V3版本网络架构分析.mp4
7-12SE模块作用与效果解读.mp4
7-13代码实现mobilenetV3网络架构.mp4
|– 第8章-基础补充-PyTorch卷积模型实例
8-1卷积网络参数定义.mp4
8-2网络流程解读.mp4
8-3Vision模块功能解读.mp4
8-4分类任务数据集定义与配置.mp4
8-5图像增强的作用.mp4
8-6数据预处理与数据增强模块.mp4
8-7Batch数据制作.mp4
8-8迁移学习的目标.mp4
8-9迁移学习策略.mp4
8-10加载训练好的网络模型.mp4
8-11优化器模块配置.mp4
8-12实现训练模块.mp4
8-13训练结果与模型保存.mp4
8-14加载模型对测试数据进行预测.mp4
8-15额外补充-Resnet论文解读.mp4
8-16额外补充-Resnet网络架构解读.mp4
|– 第9章-基础补充-Tensorflow2版本卷积实例
9-1猫狗识别任务与数据简介.mp4
9-2卷积网络涉及参数解读.mp4
9-3网络架构配置.mp4
9-4卷积模型训练与识别效果展示.mp4