SqueezeNet Keras实施 这是使用功能性API（arXiv ）的。 SqueezeNet是AlexNet级精度的小型模型，参数减少了50倍，模型大小小于0.5MB。 原始模型是在中实现的。 参考 差异： 从图模型切换到Keras 1.0功能API 修复池化层的bug 非常感谢 ，该源现在可以支持Keras 2.0 API。 结果 该仓库仅包含Keras实施模型，用于其他参数，请参阅演示脚本， 在SIMDAT包。 培训过程总共使用2600张图像，每节课使用1300张图像（因此，总共只有两节课）。 总共有130张图像用于验证。 20个纪元后，模型达到以下目标： loss: 0.6563 - acc: 0.7065 - val_loss: 0.6247 - val_acc: 0.8750 模型可视化

SqueezeNet是一个小型化的网络模型结构，在保证不降低检测精度的同时，将原始AlexNet模型压缩至原来的1/500（模型文件< 0.5MB,原始AlexNet模型约为200MB）。

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

ncnn-android-squeezenet 挤压图像分类 这是一个示例ncnn android项目，它仅取决于ncnn库 如何构建和运行 步骤1 下载ncnn-android-vulkan.zip或自己为Android构建ncnn 第2步 将ncnn-android-vulkan.zip解压缩到app / src / main / jni或在app / src / main / jni / Android.mk中将ncnn路径更改为您的ncnn路径 第三步 使用Android Studio打开此项目，进行构建并享受！ 截屏

TensorRTx TensorRTx旨在通过tensorrt网络定义API实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当使用这些解析器时，我们经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 那么，为什么不跳过所有解析器呢？ 我们只使用TensorRT网络定义API来构建整个网络，这并不复杂。 我写这个项目是为了熟悉tensorrt API，并与社区分享和学习。 所有模型首先在pytorch / mxnet / tensorflown中实现，然后导出权重文件xxx.wts，然后使用tensorrt加载权重，定义网络并进行推断。 在我的可以找到一些pytorch实现，其余的则来自多源开源实现。 消息 26 Apr 2021 。 添加Inceptio

YOLO目标检测框架，结合请谅解的网络模型SqueezeNEt,根据squeezeNet的论文思想，设计了用于目标检测的轻量级神经网络

轻量化网络综述PPT（squeezeNet，Deep Compression，mobileNet v1，MobileNet v2,ShuffleNet ）模型压缩与加速