深度学习模型部署与剪枝优化实例课程介绍:
该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
