yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏 yolov3-channel-and-layer-pruning 本项目以ultralytics/yolov3为基础实现，根据论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)原理基于bn层Gmma系数进行通道剪枝，下面引用了几种不同的通道剪枝策略，并对原策略进行了改进，提高了剪枝率和精度；在这些工作基础上，又衍生出了层剪枝，本身通道剪枝已经大大减小了模型参数和计算量，降低了模型对资源的占用，而层剪枝可以进一步减小了计算量，并大大提高了模型推理速度；通过层剪枝和通道剪枝结合，可以压缩模型的深度和宽度，某种意义上实现了针对不同数据集的小模型搜索。 项目的基本工作流程是，使用yolov3训练自己数据集，达到理想精度后进行稀疏训练，稀疏训练是重中之重，对需要剪枝的层对应的bn gamma系数进行大幅压缩，理想的压缩情况如下图，

Apriori算法的剪枝算法

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集2

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集1

这个是我们老师在上课时对alpha-beta剪枝的解释，个人觉得比较容易理解，因为在博客中无法上传视频，所以只能上传为资源了．对于这个视频我有相应的博客解释．

我们基于α-β剪枝人工智能方法的的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。） 我们的中国象棋使用python实现，分为走法计算、评估函数与搜索和UI三部分，并采用历史启发算法进行优化，有着不错的效果。可以实现正常的人机对战，有着普通人的棋力，经过多轮测试，搜索五步的时候，电脑胜率达到80％左右。 （关于代码，my_chess.py里面是对可行走法的搜索，chinachess.py里面是象棋UI的实现，history_heuristic.py里面是历史启发算法优化部分，chess_constants.py是对棋盘、棋子基本单位的定义，my_game.py里面是Alpha-Beta算法的实现。）

理解和掌握基于剪枝技术的博弈树的启发式搜索过程，加深对博弈树的理解运用。规定棋盘大小为5行5列，要求自行设计估价函数，按极大极小搜索方法，并采用α-β剪枝技术。采用人机对弈方式，一方走完一步后，等待对方走步，对弈过程每一时刻的棋局都在屏幕上显示出来。

yolov4剪枝后预训练模型

随着深度学习的发展，卷积神经网络作为其重要算法被广泛应用到计算机视觉、自然语言处理及语音处理等各个领域，并取得了比传统算法更为优秀的成绩。但是，卷积神经网络结构复杂，参数量和计算量巨大，使得很多算法必须在GPU上实现，导致卷积神经网络难以应用在资源不足且实时性要求很高的移动端。为了解决上述问题，文中提出通过同时优化卷积神经网络的结构和参数来对卷积神经网络进行压缩，以使网络模型尺寸变小。首先，根据权重对网络模型结果的影响程度来对权重进行剪枝，保证在去除网络结构冗余信息的冋时保留模型的重要连接;然后通过量化感知（ quanTIκaτion- awareτraining）对卷积神经网络的浮点型权重和激活值进行完全量化，将浮点运算转换成定点运算，在降低网络模型计算量的冋时减少网络模型的尺寸。文中选用 tensorflow深度学习框架，在 Ubuntu16.04操作系统中使用 Spyder编译器对所提算法进行验证实验结果表眀，该算法使结枃简单的 Lenet模型从l.64M压缩至θ.36M，压缩比达到η8%，准确率只下降了了0.016;使轻量级网络 Mobilenet模型从16.9M压缩至3.1M，压缩比达到81%，准确率下降0.03。实验数据说明，在对卷积神经网络权重剪枝与参数量化辶后，该算法可以做到在准确率损失较小的情况下，对模型进行冇α压缩，解决了卷积神经网络模型难以部署到移动端的问题。

C# alpha-beta 剪枝五子棋AI 算法 查询算法还是很快的，棋力还不错