对yolov5s进行稀疏化训练并剪枝，模型参数下降80%，mAP精度几乎不受影响

yolov5_6.1剪枝

运行顺序：第一步 原始训练，得到一个最优mAP等评价指标，记录在小本本上。 第二步：通过调整BN稀疏值（main 参数中的sr），运行train_sparity.py稀疏训练得到一个稍微小一点点的模型（和原始的精度比较，看看哪个稀疏值最好~） 第三步：将上一步的训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率；剪枝好的模型，在根目录下：pruned_model.pt 是fp32的，你除以2会得到最后的模型大小 第四步：Finetune，用刚刚的pruned模型重新训练，得到最优模型，就是最小且最快，且最好的啦~（和原始和稀疏训练的比较一下哦） 博文链接：https://blog.csdn.net/qq_46098574/article/details/125174256

题目四：博弈树 要 求：（1）撰写一份word文档，里面包括（基本概念、计算倒推值、-剪枝技术）章节。 （2）基本概念：简单描述博弈树，至少200字。 （3）简单描述-剪枝技术。 （4）图示博弈树，其中末一行的数字为假设的估值，请对博弈树作如下工作：计算各节点的倒推值。利用-剪枝技术剪去不必要的分支。（可在节点分支上直接加注释）

针对传统骨架提取算法结果无法保证骨架单像素性,并且伴有毛刺产生的现象,提出了一种能够有效去除骨架中毛刺分枝,充分体现物体形态特征的骨架剪枝算法。该算法以模糊距离变换为理论基础,在物体粗骨架图像中计算每条尾枝的模糊距离变换值,使用根据骨架特点确定的动态阈值判断骨架分枝是否被去除,并利用分级剪枝方法实现骨架剪枝操作。实验结果表明,该算法在进行剪枝操作中可有效地保证骨架的准确性和连续性。

原论文地址:http://papers.nips.cc/paper/8867-global-sparse-momentum-sgd-for-pruning-very-deep-neural-networks.pdf

TensorFlow Model Optimization Toolkit是一套用于优化ML模型的工具，用于部署和执行。在许多用途中，该工具包支持的技术有如下使用: - 降低云和边缘设备(如移动、物联网)的延迟和t推理成本。 - 将模型部署到对处理、内存、功耗、网络使用和模型存储空间有限制的边缘设备。 - 支持对现有的硬件或加速器运行和优化。 参考博文：https://blog.csdn.net/weixin_38346042/article/details/125232613?spm=1001.2014.3001.5501

决策树学习及其剪枝算法研究论文。

基于python的AI五子棋实现（极大极小值搜索和alpha beta剪枝的实现与应用） 算法采用极大极小剪枝博弈算法。 运行环境：python3.6.5

****************************************************** ****************************************************** ************** 重要提示：这个工具箱是作为我博士的一部分开发的（2014 年结束）。 我决定保留此版本用于比较目的，不会更新。 我邀请您检查此算法的新扩展版本，该版本将根据我们对该主题的研究进展，以新的机制和功能进行更新： https://www.mathworks.com/matlabcentral/fileexchange/65145 ****************************************************** ****************************************************** *