深度学习模型部署与剪枝优化实例

一、PyTorch框架部署实践 - 1.所需基本环境配置 - 2.模型加载与数据预处理 - 3.接收与预测模块实现 - 4.效果实例演示 二、YOLO-V3物体检测部署实例 - 1.项目所需配置文件介绍 - 2.加载参数与模型权重 - 3.数据预处理 - 4.返回线性预测结果 三、docker实例演示 - 1.docker简介 - 2.docker安装与配置 - 3.阿里云镜像配置 - 4.基于docker配置pytorch环境 - 5.安装演示环境所需依赖 - 6.复制所需配置到容器中 - 7.上传与下载配置好的项目 四、tensorflow-serving实战 - 1.tf-serving项目获取与配置 - 2.加载并启动模型服务 - 3.测试模型部署效果 - 4.fashion数据集获取 - 5.加载fashion模型启动服务 五、模型剪枝——Network Slimming算法分析 - 1.论文算法核心框架概述 - 2.BatchNorm的作用和本质 - 3.额外的训练参数解读 - 4.稀疏化原理与效果 六、模型剪枝——Network Slimming实战解读 - 1.整体案例流程解读 - 2.加入L1正则化来进行更新 - 3.剪枝模块介绍 - 4.筛选需要的特征图 - 5.剪枝后模型参数赋值 - 6.微调完成剪枝模型 七、Mobilenet三代网络模型架构 - 1.模型剪枝分析 - 2.常见剪枝方法介绍 - 3.mobilenet简介 - 4.经典卷积计算量与参数量分析 - 5.深度可分离卷积的作用与效果 - 6.参数与计算量的比较 - 7.V1版本效果分析 - 8.V2版本改进以及Relu激活函数的问题 - 9.倒残差结构的作用 - 10.V2整体架构与效果分析 - 11.V3版本网络架构分析 - 12.SE模块作用与效果解读 - 13.代码实现mobilenetV3网络架构