掌握模型部署常用方法及Docker工具使用，熟练部署各大框架项目。

*   01 PyTorch框架部署实践/

  *   01 1-所需基本环境配置.mp4 05:52

  *   02 2-模型加载与数据预处理.mp4 08:32

  *   03 3-接收与预测模块实现.mp4 07:39

  *   04 4-效果实例演示.mp4 08:20

*   02 YOLO-V3物体检测部署实例/

  *   01 1-项目所需配置文件介绍.mp4 07:08

  *   02 2-加载参数与模型权重.mp4 07:40

  *   03 3-数据预处理.mp4 10:37

  *   04 4-返回线性预测结果.mp4 08:02

*   03 docker实例演示/

  *   01 1-docker简介.mp4 05:57

  *   02 2-docker安装与配置.mp4 10:18

  *   03 3-阿里云镜像配置.mp4 06:26

  *   04 4-基于docker配置pytorch环境.mp4 10:56

  *   05 5-安装演示环境所需依赖.mp4 09:38

  *   06 6-复制所需配置到容器中.mp4 06:51

  *   07 7-上传与下载配置好的项目.mp4 12:46

*   04 tensorflow-serving实战/

  *   01 1-tf-serving项目获取与配置.mp4 06:53

  *   02 2-加载并启动模型服务.mp4 09:32

  *   03 3-测试模型部署效果.mp4 08:50

  *   04 4-fashion数据集获取.mp4 05:20

  *   05 5-加载fashion模型启动服务.mp4 07:14

*   05 模型减枝-Network Slimming算法分析/

  *   01 1-论文算法核心框架概述.mp4 07:25

  *   02 2-BatchNorm要解决的问题.mp4 06:54

  *   03 3-BN的本质作用.mp4 07:56

  *   04 4-额外的训练参数解读.mp4 07:15

  *   05 5-稀疏化原理与效果.mp4 09:04

*   06 模型减枝-Network Slimming实战解读/

  *   01 1-整体案例流程解读.mp4 07:15

  *   02 2-加入L1正则化来进行更新.mp4 06:32

  *   03 3-剪枝模块介绍.mp4 05:01

  *   04 4-筛选需要的特征图.mp4 09:19

  *   05 5-剪枝后模型参数赋值.mp4 10:52

  *   06 6-微调完成剪枝模型.mp4 06:44

*   07 Mobilenet三代网络模型架构/

  *   01 1-模型剪枝分析.mp4 07:23

  *   02 2-常见剪枝方法介绍.mp4 11:40

  *   03 3-mobilenet简介.mp4 04:10

  *   04 4-经典卷积计算量与参数量分析.mp4 05:38

  *   05 5-深度可分离卷积的作用与效果.mp4 07:13

  *   06 6-参数与计算量的比较.mp4 14:59

  *   07 7-V1版本效果分析.mp4 09:04

  *   08 8-V2版本改进以及Relu激活函数的问题.mp4 07:23

  *   09 9-倒残差结构的作用.mp4 06:42

  *   10 10-V2整体架构与效果分析.mp4 04:09

  *   11 11-V3版本网络架构分析.mp4 05:33

  *   12 12-SE模块作用与效果解读.mp4 12:06

  *   13 13-代码实现mobilenetV3网络架构.mp4 10:45

课程目录

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