├── PART1
│ ├── 01.课程简介
│ ├── 02.所需基本环境配置
│ ├── 03.模型加载与数据预处理
│ ├── 04.接收与预测模块实现
│ ├── 05.效果实例演示
│ ├── 07.项目所需配置文件介绍
│ ├── 08.加载参数与模型权重
│ ├── 09.数据预处理
│ ├── 10.返回线性预测结果
│ ├── 11.docker简介
│ ├── 12.docker安装与配置
│ ├── 13.阿里云镜像配置
│ ├── 14.基于docker配置pytorch环境
│ ├── 15.安装演示环境所需依赖
│ ├── 16.复制所需配置到容器中
│ ├── 17.上传与下载配置好的项目
│ ├── 18.tf-serving项目获取与配置
│ ├── 19.加载并启动模型服务
│ ├── 20.测试模型部署效果
│ ├── 21.fashion数据集获取
│ ├── 22.加载fashion模型启动服务
│ ├── 23.论文算法核心框架概述
│ ├── 24.BatchNorm要解决的问题
│ ├── 25.BN的本质作用
│ ├── 26.额外的训练参数解读
│ ├── 27.稀疏化原理与效果
│ ├── 28.整体案例流程解读
│ ├── 29.加入L1正则化来进行更新
│ ├── 30.剪枝模块介绍
│ ├── 31.筛选需要的特征图
│ ├── 32.剪枝后模型参数赋值
│ ├── 33.微调完成剪枝模型
│ ├── 34.模型剪枝分析
│ ├── 35.常见剪枝方法介绍
│ ├── 36.mobilenet简介
│ ├── 37.经典卷积计算量与参数量分析
│ ├── 38.深度可分离卷积的作用与效果
│ └── 39.参数与计算量的比较
└── PART2
├── 40.V1版本效果分析
├── 41.V2版本改进以及Relu激活函数的问题
├── 42.倒残差结构的作用
├── 43.V2整体架构与效果分析
├── 44.V3版本网络架构分析
├── 45.SE模块作用与效果解读
├── 46.代码实现mobilenetV3网络架构
├── 47.卷积网络参数定义
├── 48.网络流程解读
├── 49.Vision模块功能解读
├── 50.分类任务数据集定义与配置
├── 51.图像增强的作用
├── 52.数据预处理与数据增强模块
├── 53.Batch数据制作
├── 54.迁移学习的目标
├── 55.迁移学习策略
├── 56.加载训练好的网络模型
├── 57.优化器模块配置
├── 58.实现训练模块
├── 59.训练结果与模型保存
├── 60.加载模型对测试数据进行预测
├── 61.额外补充-Resnet论文解读
├── 62.额外补充-Resnet网络架构解读
├── 63.猫狗识别任务与数据简介
├── 64.卷积网络涉及参数解读
├── 65.网络架构配置
└── 66.卷积模型训练与识别效果展示
