这个是https://download.csdn.net/download/weixin_32759777/12346888这个代码的测试数据集

这是的PyTorch实现。 在可以实现3倍的模型尺寸缩减，并且精度损失很小。 该项目是从修改而来的，主要区别是： 修剪一次完成，而不是顺序执行。 所引用的原始项目中的FilterPruner和PruningFineTuner被合并到FilterPruner类中，以使其更加简洁。 修剪InceptionV3 ， Inception_Resnet_V1 ， Resnet50作为示例，您可以为自定义模型定义新的FilterPruner。 笔记： 您可以使用PyTorch的预训练的Resnet50或InceptionV3作为基本模型，并在前面提到的cat-vs-dog数据集中修剪它们。 （请参阅prune_InceptionV3_example.py和prune_Resnet50_example.py） 要修剪新模型，您需要根据模型的体系结构在FilterPruner下定义一个转发函数和

国际象棋 该项目专注于计算机科学概念，例如数据结构和算法。 Chessnut是我们用于所有移动和棋逻辑的棋引擎。 我们正在使用一棵树来生成可能的棋盘，该棋盘可进行3级深度和深度优先搜索，最小极大值和alpha-beta修剪，以根据以下启发式方法找到最佳动作： 材料（每个玩家的总件数） 可能采取的法律行动的数量，重点是中心广场 检查/检查状态 典当结构 当前，由于递归函数要使用大量的计算能力，因此尝试实现多处理功能，因此在超过4个级别的深度上计算启发式状态需要花费大量时间。 深度为3级时，我们的AI做出了不错的动作，但也提出了许多不明智的建议。 人工智能的国际象棋情报估计为9级中的3级。 极小极大算法 从Wikipedia的简洁定义中借用的是“用于最小化最坏情况（最大损失）情况下可能的损失的决策规则”。 对于国际象棋，扮演角色的玩家是最大化者，其移动将受到对手（最小化者）的对抗React

使用PyTorch进行培训和修剪 由hou-yz提供，基于kuangliu/pytorch-cifar 提高推理速度并减少中间特征的大小，以支持分布式推理（本地设备计算模型的一半，并上传特征以在更强大的设备或云上进行进一步的计算）。 修剪阶段1：修剪整个模型以提高推理速度并稍微减小中间特征的大小。 修剪阶段2 ：（基于步骤1的模型）针对每个分割点（将中间特征转移到另一个设备以进行进一步计算），特别是修剪分割点之前的层以进一步减小中间特征的大小。 仅支持pytorch> 0.3.1的python3; 在cifar-10上训练的模型，仅在vgg-16上进行了测试。 还添加了自动记录和自动绘制图表。 用法 训练： python main. py -- train # train from scratch python main. py -- resume

在cifar数据集上做图像分类的训练，并以此演示怎样进行模型剪枝，pytorch版本必须大于1.4.0

2020CVPROral: HRank: Filter Pruning using High-Rank Feature Map

社区缺乏标准化的基准和度量标准。这一缺陷非常严重，以至于很难对修剪技术进行比较，也很难确定这一领域在过去三十年中取得了多大的进步。为了解决这种情况，我们确定了当前实践中的问题，提出了具体的补救措施，并引入了ShrinkBench，这是一个开源框架，用于促进修剪方法的标准化评估。我们使用收缩台对各种修剪技术进行了比较，结果表明，它的综合评价可以防止在比较修剪方法时常见的缺陷。

通过nni进行自动化模型剪枝，适用于VGG、ResNet等

论文

Keras_pruning：如何使用权重修剪和单位神经元修剪来修剪keras模型的演练