课程介绍：
本课程旨在带领学习者掌握深度学习模型从部署到剪枝优化的完整流程。通过深入讲解如何配置环境、部署模型、以及如何通过剪枝技术提升模型性能，您将获得实战经验，能将深度学习模型从开发到部署的整个流程高效实施。
课程内容包括：
1. 模型部署与环境配置
– 学习如何使用Docker配置深度学习环境，搭建PyTorch环境。
– 使用阿里云镜像以及TF-Serving技术，完成深度学习模型的容器化部署。
– 演示如何加载并启动深度学习模型服务，并通过模型部署测试进行效果验证。
2. 剪枝优化技术
– 了解剪枝技术的核心原理，探索如何通过稀疏化模型参数提高效率。
– 深入学习常见的剪枝方法，学习如何应用L1正则化对模型进行优化。
– 完成模型剪枝后，进行微调与优化，确保性能提升。
3. 实践与优化
– 通过Fashion数据集进行实际操作，展示如何加载并服务优化后的模型。
– 解读经典卷积神经网络中的BatchNorm模块与训练参数，帮助您在剪枝过程中调整参数，优化模型效果。
通过本课程，您将掌握深度学习模型从环境配置到优化剪枝的全流程，为模型的高效部署与性能优化提供强大支持，助力您在AI应用中取得更好的成果
课程目录
01.课程简介.mp4
02.所需基本环境配置.mp4
03.模型加载与数据预处理.mp4
04.接收与预测模块实现.mp4
05.效果实例演示.mp4
07.项目所需配置文件介绍.mp4
08.加载参数与模型权重.mp4
09.数据预处理.mp4
10.返回线性预测结果.mp4
11.docker简介.mp4
12.docker安装与配置.mp4
13.阿里云镜像配置.mp4
14.基于docker配置pytorch环境.mp4
15.安装演示环境所需依赖.mp4
16.复制所需配置到容器中.mp4
17.上传与下载配置好的项目.mp4
18.tf-serving项目获取与配置.mp4
19.加载并启动模型服务.mp4
20.测试模型部署效果.mp4
21.fashion数据集获取.mp4
22.加载fashion模型启动服务.mp4
23.论文算法核心框架概述.mp4
24.BatchNorm要解决的问题.mp4
25.BN的本质作用.mp4
26.额外的训练参数解读.mp4
27.稀疏化原理与效果.mp4
28.整体案例流程解读.mp4
29.加入L1正则化来进行更新.mp4
30.剪枝模块介绍.mp4
31.筛选需要的特征图.mp4
32.剪枝后模型参数赋值.mp4
33.微调完成剪枝模型.mp4
34.模型剪枝分析.mp4
35.常见剪枝方法介绍.mp4
36.mobilenet简介.mp4
37.经典卷积计算量与参数量分析.mp4
38.深度可分离卷积的作用与效果.mp4
39.参数与计算量的比较.mp4
40.V1版本效果分析.mp4
41.V2版本改进以及Relu激活函数的问题.mp4
42.倒残差结构的作用.mp4
43.V2整体架构与效果分析.mp4
44.V3版本网络架构分析.mp4
45.SE模块作用与效果解读.mp4
46.代码实现mobilenetV3网络架构.mp4
47.卷积网络参数定义.mp4
48.网络流程解读.mp4
49.Vision模块功能解读.mp4
50.分类任务数据集定义与配置.mp4
51.图像增强的作用.mp4
52.数据预处理与数据增强模块.mp4
53.Batch数据制作.mp4
54.迁移学习的目标.mp4
55.迁移学习策略.mp4
56.加载训练好的网络模型.mp4
57.优化器模块配置.mp4
58.实现训练模块.mp4
59.训练结果与模型保存.mp4
60.加载模型对测试数据进行预测.mp4
61.额外补充-Resnet论文解读.mp4
62.额外补充-Resnet网络架构解读.mp4
63.猫狗识别任务与数据简介.mp4
64.卷积网络涉及参数解读.mp4
65.网络架构配置.mp4
66.卷积模型训练与识别效果展示.mp4
资料.zip
评论0