2012年以来，深度神经网络在计算机视觉、语音识别、自然语言处理、智慧 医疗等多个领域取得了优异的成果。这是卜数只偶，也是水到渠成。究其本质， 还是得益于三个基础的驱动，包括:大数据(充分标注)、大模型(参数量庞大) 和大计算(高性能计算)。正因为对这三个基础的严重依赖，也在一定程度上限 制了人工智能的进一步发展和普及。首先，大模型对大数据的过度依赖表现在其 在训练阶段必须在大量的标注充分的数据下训练，否则模型的准确率将大大降 低。很多新的应用场景的样本获取困难并且标注成本极高，因此不少学者开始 研究小样本学习方法，目的是当面对一个新的场景时，快速的从少量的有标记 样本中学会认识新的类别。其次，大模型对大计算的依赖表现在其无论在训练 和测试阶段均需要拥有大量存储空间和优异计算性能的硬件平台的加持。那么， 对于很多的存储和计算资源均极其有限的测试场景，比如移动端(智能手机，自 动驾驶汽车等)，离线监控设备(公共摄像头，汽车行车记录仪等)，现有的训练 好的大模型将会出现水土不服，无法顺利落地。于是，模型轻量化问题也被领域 内科研人员广泛关注。研究模型轻量化的目的是压缩模型参数量，使其在移动

pytorch 官方torchvision库中的squeezenet1_0，squeezenet1_1 的ONNX 文件。

轻量化商城程序，不像之前的大商创之类的，那么大。不挑服务器，1H1G1M的机器也能正常的跑。 界面非常漂亮，麻雀虽小五脏俱全，运营级的好东西。随便接单不用担心交不了。

基于深度学习的轻量化 小目标检测算法研究

这是一个使用Pytork在MTCNN和LPRNet中进行的两阶段轻量级的车牌识别。MTCNN是一种非常著名的实时检测模型，主要用于人脸识别。它被修改用于车牌检测。LPRNet是另一种实时端到端DNN，用于后续识别。该网络性能优越，计算量小，无需进行初步字符分割。在这项工作中嵌入了空间变换层，以便更好地识别特征。在Nivida Quadro P4000上，在CCPD基础数据集上的识别准确率高达99%，每幅图像约80ms。 Training on LPRNet run 'LPRNet/data/preprocess.py' to prepare the dataset run 'LPRNet/LPRNet_Train.py' for training Test run 'MTCNN/MTCNN.py' for license plate detection run 'LPRNet/LPRNet_Test.py' for license plate recognition run 'main.py' for both

深度学习部署必备库

铝合金-汽车轻量化技术-XXXX.ppt

使用pytorch框架实现了MobileNetv2，内附oxFlower牛津花朵17分类任务完整数据集，运行train.py即可开始训练。

绿色免安装，小体积，仅81k。在线看电视，还有电影轮播。

fcgiwrap