【视频课】深度掌握模型剪枝+模型量化+知识蒸馏3大核心模型压缩技术理论!...

模型优化——模型剪枝、模型量化、知识蒸馏 阅读详情

52160e641d82fd3534b9d6773a5f6769.png

前言

欢迎大家关注有三AI的视频课程系列,我们的视频课程系列共分为5层境界,内容和学习路线图如下:

第1层:掌握学习算法必要的预备知识,包括Python编程,深度学习基础,数据使用,框架使用。

第2层:掌握CV算法最底层的能力,包括模型设计基础,图像分类,模型分析。

第3层:掌握CV算法最核心的方向,包括图像分割,目标检测,图像生成,目标跟踪。

第4层:掌握CV算法最核心的应用,包括人脸图像,图像质量,视频分析,图像编辑。

第5层:掌握算法落地的关键技术,包括模型优化,模型部署。

1d2e52b839c82be2657b08849488c3dc.png

其中部分课程的主体内容已经更新完毕,比如数据使用/模型分析/图像分类/图像分割/目标检测/图像生成/视频分类/模型部署;部分课程正在重制更新中,比如模型优化;部分课程正在计划上线中,比如图像编辑,请大家及时关注!

最新的完整介绍如下:【视频课】超全深度学习路线图,有三AI所有免费与付费的视频课程内容汇总!

90c35890649da42f661431b21260ff3f.png

本次给大家介绍的课程内容是《深度学习之模型优化:理论实践篇》,目标是帮助大家掌握深度学习模型优化的核心内容。

为什么要学习这门课

好的模型结构是深度学习成功的关键因素之一,不仅是非常重要的学术研究方向,在工业界实践中也是模型是否能上线的关键。对各类底层深度学习模型设计和优化技术理解的深度是决定我们能否在深度学习项目中游刃有余的关键,模型压缩与优化是专门针对模型进行精简的技术,这是模型能够在各类嵌入式平台使用的关键技术,包括紧凑模型设计,模型剪枝,模型量化,模型蒸馏,自动化模型设计等内容。

32140bc70b2f6c5ed4312a47c0aad7a9.png

当前许多成熟的框架都支持进行模型的压缩优化,比如Tensorflow、TensorRT,内置了经典的模型压缩优化方法。

ddbdf033ad1d4b000cf9a3d53e934cb7.png

为了帮助大家系统性地学习深度学习模型优化的相关内容,我们推出了《深度学习之模型优化》系列课程,目前已完成约7个小时的理论课课程+3个小时的实践课(还在更新中)。

子欲学深度学习,模型优化是必学进阶内容!我们这一门课期望帮大家彻底搞定模型优化的学习问题!下面请听课程的详细介绍!

课程内容介绍

本课程内容将包括模型优化压缩的经典算法理论与实践,下面我们首先介绍的是已经基本更新完毕的核心理论(共计超过7个小时),涵盖了深度学习模型压缩的核心领域,包括模型剪枝、模型量化、知识蒸馏等,既有足够的宽度,也具备有足够的深度。我们会非常详细地讲解算法中的细节,帮助彻底消化算法原理;

下图是已有课程的大纲脑图:

46d868781bbb47d2305ea96b33a771bb.png

上图中的内容都是模型剪枝、模型量化、知识蒸馏中经过验证的最具有落地价值的内容,在后续对应框架的工程实践中会使用。

下面简单了解一下各部分的内容:

(1) 模型剪枝基础,包括模型剪枝的基本概念,模型的冗余性分析,约25分钟,本部分内容可以免费收听。

43e3b289413cbfd4ed3995a5dc8acc5a.png

579af8e191eb5edd7be295e871f0a693.png

(2) 非结构化模型剪枝(基础篇),包括基于幅度的连接权重剪枝框架及其改进,约25分钟,本部分内容可以免费收听。

bc285bf764c250d84f94ab239987862b.png

fcdee045a4c3fac801d2ead7f4d15bca.png

(3) 结构化模型剪枝,包括幅度篇、稀疏权重篇、稀疏因子篇、重建篇,详细介绍了当前各种主流的结构化模型剪枝技术,一共约110分钟。

13df24b51c31ca4b6cc91ac26af08e36.png

d368e615b13e5cd5875da9676c5ab2b6.png

bec324b8b8e688b9b9bd65c2d5c39c65.png

dd1979c2515101f7941a3e5422e215cd.png

8bc2cf6c76657b2fb52ec15ebef9bafc.png

(4) 模型量化基础,介绍模型量化方法的分类,模型量化的优势,约20分钟,本部分内容可以免费收听。

f97e209a0eed23ca49393cf265af78f1.png

2a9a89d856a36044e879654494c73d64.png

(5) 2值模型量化,包括基础篇、重建篇,详细介绍了当前主流的2值网络,约50分钟。

f146e4e7269eacf739bc28634b69bbac.png

6a2f8640849e4647b874644960f7de9d.png

d287260b1b16178af9fa929e38eca31f.png

(6) 8bit模型量化,介绍的内容包括基于KL散度的对称量化、非对称的训练时与训练后量化框架,时长约45分钟。

d4dceb1ea5bd28f1c42a5d5d70258dca.png

b6c171d8bf6ac76a194d432b4da40060.png

(7) 混合模型量化,介绍了基于不同位宽的激活值、权重值、梯度值的量化训练框架,约30分钟。

19704fe09dd051aa88e377c1e600de30.png

75659638c4e11ebc2a381a5e1ecce58f.png

(8) 知识蒸馏基础,包括知识蒸馏的概念与迁移学习基础,约25分钟,本部分内容可以免费收听。

f69f9a168902a24dd677d7ce478b48af.png

12164c3143747524e71c94da99cdda5d.png

(9) 知识蒸馏框架,包括基于特征匹配与基于优化目标驱动的框架,时长约50分钟。

e8042e4bcc5fedcac7152cf527874dae.png

0ecbfefb0cc34577c2294f409ab8371a.png

9ec9652410845de0dc33033f6cd3d7f2.png

以上就是已有的理论部分的内容,共计超过7个小时,理论部分内容后续还会继续丰富完善。

另外:实践部分的内容也已经有部分更新,包括Distiller框架的介绍与使用,模型剪枝的实践,模型量化的实践,模型蒸馏的实践,本周正在继续完善充实实践部分,预计会超过8个小时,请大家拭目以待!

本课程讲师为言有三,讲师简介如下:

09e3c672af48fff5ac69661150cf6826.png

龙鹏,笔名言有三,技术社区《有三AI》创始人。先后就读于华中科技大学(2008-2012),中国科学院半导体研究所神经网络实验室(2012-2015),先后就职于奇虎360人工智能研究院(2015.7-2017.5),陌陌科技深度学习实验室(2017.5-2019.3),深度学习算法专家,阿里云MVP,华为云MVP。

拥有超过7年的计算机视觉从业经验,拥有丰富的传统图像算法和深度学习计算机视觉项目经验,著有书籍《深度学习之图像识别:核心技术与案例实战》(机械工业出版社2019.4),《深度学习之模型设计:核心算法与案例实践》(电子工业出版社2020.6),《深度学习之人脸图像处理:核心算法与案例实战》(机械工业出版社2020.7),《深度学习之摄影图像处理:核心算法与案例精粹》(人民邮电出版社2021.4),拥有10余项发明技术专利与学术论文。

擅长领域:Caffe,Tensorflow,Pytorch等主流深度学习平台。神经网络与深度学习理论,深度学习模型设计与优化,计算机视觉的基础领域,AI美学,2D与3D人脸算法,生成对抗网络GAN等领域。

本课程是模型优化课程的其中一部分,属于有三AI整个课程体系中的高阶课程,需要大家已经能够熟练使用深度学习框架与基础模型,建议与另外3门课程配合享用,包括《深度学习之模型分析》,《深度学习之模型设计》,《深度学习之模型部署》,详细介绍请查看:

【视频课】快速掌握5大模型部署框架(NCNN+MNN+Tengine+TensortRT+微信小程序)!

【视频课】先搞懂你用的模型,深度学习模型分析课程来了!

【视频课】超30个小时模型设计理论,4大Pytorch案例实战与安卓部署,长期更新中

7a65283124fe97525cb1968d31d5fbdf.png

0560f72bf21419de4cb76e0d3ce047f6.png

f0e5145f98e0e46009110a1b1223092c.png

如何获取课程

订阅《深度学习之模型优化》专栏,本专栏暂时定价为299,本周实践部分内容全部更新完毕后价格会继续增加,感兴趣的请提前订阅,链接如下:

3afa4fdc01f0929508a019b76b21643d.png

已有的课程目录如下:

caf475ffc725e68f21d58754a121b707.png

3831d7cbc86b5b553ae7bbb90eb933b9.png

fba6c20df4e3f9cd69a92ff1c0a4457d.png

ce4a22127939284dd7fce30cde063f4f.png

往期相关

揭秘!AI应用架构师的AI模型压缩与加速独家实战秘籍 在AI模型规模爆炸式增长的今天(GPT-4参数量超万亿, diffusion模型训练成本百万美元级),"大模型"似乎成了性能的代名词。边缘设备(摄像头、传感器、手机):内存通常1-4GB,算力仅为云端GPU的1/1000,且对功耗(如电池续航)极其敏感;嵌入式系统(工业机器人、自动驾驶ECU):实时性要求毫秒级响应,硬件架构异构(CPU+NPU+FPGA);云端大规模部署:即使资源充足,模型压缩也能降低服务器成本(每1000台服务器年省百万电费)和网络带宽(模型传输耗时减少90%)。 阅读详情

相关推荐

移动端AI模型压缩实战:PocketFlow框架原理与应用指南

模型压缩是深度学习领域的关键技术,旨在解决大型神经网络在资源受限环境下的部署难题。其核心原理是通过剪枝、量化、知识蒸馏等方法,在保持模型性能的同时显著减少参数量和计算量。这项技术的核心价值在于实现AI模型的高效部署,尤其对移动端和嵌入式设备至关重要。在实际应用场景中,开发者常面临模型体积大、推理速度慢的挑战,而自动化压缩框架能有效降低技术门槛。本文以PocketFlow为例,深入解析其如何集成剪枝、量化等前沿技术,通过自动化超参数搜索构建协同优化流水线,最终帮助开发者将ResNet-50等大型模型压缩70%

weixin_36427956的博客 525

模型剪枝大揭秘与实战演练

我们可以把网络剪枝看成神经系统的减肥计划,去掉那些多余的神经元,让整个系统更精瘦、更灵活、表现更好!对我们而言,剪枝相当于做减法,去掉那些多余的烦恼、复杂性,这样,我们的生活就会像一杯清爽的果汁,简单而美好!因此,无论是神经网络,还是我们人类,减法都是提升性能的秘诀!让我们一同去寻找属于自己的减法,携手共创美好未来!

m0_57055443的博客 2639

AI多语言支持性能优化:从模型压缩到推理加速

目的:解决多语言AI模型"大而慢"的问题,让它在保持多语言能力的同时,能在手机、服务器等不同设备上快速运行。范围:覆盖模型压缩(剪枝、量化、知识蒸馏)、推理加速(引擎优化、并行计算)两大核心方向,结合多语言模型的特性(如跨语言参数共享),给出具体的优化策略和代码示例。用"慢机器人"的故事引出问题;解释"模型压缩"(减肥)和"推理加速"(练跑步)的核心概念;用代码演示如何给多语言模型"减肥"(量化感知训练);用工具演示如何让模型"练跑步"(ONNX Runtime加速);

大模型应用工坊 770

【深度学习 模型压缩】10分钟了解下模型压缩的常用方法

一、什么是模型压缩? 模型压缩的目标是保证模型预测效果的前提下,尽可能地降低模型的大小 二、为什么要进行模型压缩? 1. 模型压缩后,模型很小,进行推断的运算量小,利于在移动端部署。 2. 诸如Bert等深度学习的参数太多了,模型太大了,消耗的计算资源过多,进一步加大了深度学习爱好者们的“贫富差距”,不够和谐。以Bert-large为例,训练一次需要64G显存的google TPU,按照每小时6...

赖德发的博客 6024

YOLO通道剪枝与知识蒸馏工业级压缩实战

目标检测模型压缩是边缘部署的核心挑战,通道剪枝通过结构稀疏化降低计算冗余,知识蒸馏则利用教师模型指导学生网络保留判别能力。二者协同可突破显存墙与算力墙,在Jetson、FPGA等嵌入式平台实现推理加速与精度平衡。本文聚焦YOLOv8/v10架构下的轻量化落地路径,详解L1-norm结合重建误差的通道筛选机制、feature-level channel-wise KL散度与bbox回归融合的蒸馏策略,以及Prune-Distill-Prune闭环优化范式,覆盖从训练压缩、ONNX导出到TensorRT量化部署

weixin_33794672的博客 348

统信UOS/麒麟ARM桌面版,不联网也能用Docker部署MySQL 5.7(离线部署详解)

本文详细介绍了在统信UOS/银河麒麟ARM桌面版系统中,如何离线部署MySQL 5.7的完整流程。通过Docker技术实现环境隔离和依赖封装,解决了封闭网络环境下的部署难题,包括资源准备、系统配置、容器化部署及安全加固等关键步骤,为政企和科研场景提供实用解决方案。

weixin_30892037的博客 230

【深度学习之模型优化】模型剪枝、模型量化、知识蒸馏概述

​ 模型部署优化这个方向其实比较宽泛。从模型完成训练,到最终将模型部署到实际硬件上,整个流程中会涉及到很多不同层面的工作,每一个环节对技术点的要求也不尽相同。但本质的工作无疑是通过减小模型大小,提高推理速度等,使得模型能够成功部署在各个硬件之中去并且实时有效的运作。 ​

向往有那么一天梦幻的步态识别落地,开花❀! 2万+

MPU6050模块DIY翻车实录:ID能读但数据全为零?原来是这个10uF电容惹的祸

本文详细记录了MPU6050模块调试过程中遇到的ID能读但数据全为零的问题排查过程。通过对比不同参考设计,发现CPOUT引脚10uF电容选择不当是导致数据异常的根源,更换为官方推荐的2.2nF电容后问题解决。文章为硬件开发者提供了宝贵的电路设计经验。

weixin_29158047的博客 319

【模型压缩】原理及实例

在移动智能终端品类越发多样的时代,为了让模型可以顺利部署在算力和存储空间都受限的移动终端,对模型进行压缩尤为重要。模型压缩(model compression)可以降低神经网络参数量,减少延迟时间,从而实现提高神经网络推理速度、节省存储空间等目的。

lly_csdn123的博客 1721

基于Simulink的防空导弹六自由度弹道建模与仿真实战

本文详细介绍了基于Simulink的防空导弹六自由度弹道建模与仿真方法。通过分析导弹动力学原理、Simulink环境配置、气动力建模、推进与控制系统设计等关键环节,提供了一套完整的实战指南。文章特别强调了六自由度模型在防空导弹仿真中的重要性,并分享了常见问题排查与优化建议,为相关领域工程师提供实用参考。

apple5的专栏 869

零外围电路!用CH340X实现ESP32一键下载的完整教程

本文详细介绍了如何利用CH340X系列USB转串口芯片实现ESP32的一键自动下载功能,无需任何外围逻辑控制电路。通过解析CH340X的增强型DTR/RTS功能,提供核心电路设计、电压匹配方案,并指导在Arduino IDE和PlatformIO中进行软件配置,帮助开发者构建简洁、可靠且低成本的ESP32下载方案。

gpu4optimizer的博客 780

深度掌握模型剪枝+模型量化+知识蒸馏3大核心模型压缩技术理论

神经网络与深度学习理论,深度学习模型设计与优化,计算机视觉的基础领域,AI美学,2D与3D人脸算法,生成对抗网络GAN等领域。另外:实践部分的内容也已经有部分更新,包括Distiller框架的介绍与使用,模型剪枝的实践,模型量化的实践,模型蒸馏的实践,本周正在继续完善充实实践部分,预计会超过8个小时,请大家拭目以待!模型压缩与优化是专门针对模型进行精简的技术,这是模型能够在各类嵌入式平台使用的关键技术,包括紧凑模型设计,模型剪枝,模型量化,模型蒸馏,自动化模型设计等内容。

张伟的专栏 652

labview的TDMS文件读写

本文先介绍TDMS概念和文件结构,然后介绍VI如何使用,最后分析一个labview的自带范例

观则明的博客 1万+

大模型压缩技术全解析:从剪枝到量化,程序员必学收藏指南

本文详细介绍了大模型压缩技术,包括剪枝(移除冗余连接)、量化(降低数值精度)和知识蒸馏(教师-学生模式)三大核心方法,并推荐了"知识蒸馏→剪枝→量化"的组合优化流程。通过系统压缩技术,可将庞大模型转化为轻量化模型,实现更小尺寸、更快推理速度和边缘设备部署能力,解决大模型存储和计算资源限制问题。

m0_48891301的博客 1426

Codex 100个真实案例 - 用AI生成游戏场景地图(随机地形+建筑)

本案例使用 Codex 从零构建一个游戏场景地图生成器!我们会用 Perlin 噪声算法生成自然逼真的随机地形(山脉、平原、河流、海洋),实现瓦片地图渲染系统,智能放置建筑物和资源点,最终在浏览器中提供可缩放、可拖拽的交互式地图预览,并支持一键导出高清 PNG 图片。整个过程完全用自然语言驱动 Codex 完成!

yueyeguzhuo的专栏 159

YOLOv26与其他目标检测算法的对比分析

本文对YOLOv26与其他主流目标检测算法进行了全面对比分析。YOLOv26在COCO数据集上达到96.0% mAP@0.5和79.0% mAP@0.5:0.95,显著优于其他YOLO系列算法,同时保持85FPS的推理速度和35MB的轻量级模型。相比两阶段算法(如Faster R-CNN),YOLOv26在速度、模型大小和内存占用方面优势明显;相比Anchor-free算法(如CenterNet),YOLOv26在速度和模型压缩方面更优。其核心创新包括动态锚框分配、自注意力机制和轻量级设计,使其成为适用于复

一键难忘的博客 997

大模型瘦身术:量化与蒸馏技术详解!大模型压缩

文章介绍大模型压缩两大主流技术:量化(降低参数精度减少存储空间和计算需求)和蒸馏(训练小模型模仿大模型行为)。这两种技术能显著降低部署成本,提高运行效率,适用于不同场景,可单独或结合使用,使AI技术更加"平民化",让更多人能用得起大模型。

2401_84495872的博客 642

39、FIPA ACL:多代理系统中的标准化通信

本文详细介绍了FIPA ACL(Agent Communication Language)的基本概念、言语行为理论基础以及其在多代理系统(MAS)中的应用。文章涵盖了FIPA ACL的消息格式、信息交流流程、实现与优化方法,并通过智能调度系统的实例展示了其实际应用效果。此外,还探讨了FIPA ACL面临的挑战及未来发展方向,如通信延迟优化、本体简化、安全性增强等。

k8s6orchestrator的博客 382

《AI 模型成本降 70% 的秘诀:2025 轻量化策略(量化 / 蒸馏 / 剪枝)+ 选型决策树》

对开发者而言,无需追求 “千亿参数” 的噱头,而是要掌握 “架构选型→轻量化组合→风险控制” 的全流程思维 —— 无论是用 API 快速落地,还是本地部署优化,找到 “场景、成本、精度” 的平衡点,就是最好的落地路径。优势是训练稳定、推理延迟低,16GB 显存即可运行 7B 参数模型,适合对 “可解释性” 要求高的场景(如金融风控)—— 这类场景需精准追溯模型决策逻辑,密集架构的 “全参数参与计算” 特性能避免 MoE 架构的 “路由黑箱” 问题。普通文本生成用 INT4 量化即可,成本再降 50%。

shier_84133的博客 1858

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

深度学习模型优化实战:量化、剪枝与蒸馏的工程实践

深度学习模型在实际落地时,往往面临体积大、推理慢、内存占用高等挑战。模型优化技术通过在尽量不损失精度的前提下对已训练模型进行压缩与加速,成为工业界部署的关键环节。其中,神经网络量化是最常见的手段之一,将FP32权重转换为INT8表示,可显著减小模型体积并提升CPU/GPU推理速度;结构化剪枝则通过移除冗余通道进一步瘦身;知识蒸馏利用大模型指导小模型学习,兼顾精度与效率。这些优化技术广泛应用于边缘计算、移动端部署及云端服务成本优化等场景。以PyTorch为例,详细演示了从量化配置、校准集准备到部署导出的完整流

weixin_29073241的博客 312

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

大模型面试必备:MCP技术核心与应用解析

模型压缩与剪枝(MCP)是深度学习领域的关键优化技术,通过结构化剪枝、量化和知识蒸馏等方法,显著提升模型推理效率并降低资源消耗。其核心原理在于减少模型冗余参数和计算量,同时保持模型性能。在工程实践中,MCP技术能实现3-5倍的推理加速和60%以上的内存节省,特别适用于移动端部署和实时推理场景。以GPT-3级大模型为例,通过组合式MCP方案可将其从百GB级压缩到3.2GB,满足移动设备内存限制。当前,自动化压缩和硬件感知压缩成为MCP领域的前沿方向,而面试中展示具体MCP案例和量化指标已成为大模型岗位的考察重

weixin_33889245的博客 497

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

模型优化实战全攻略:量化、剪枝、蒸馏与部署实践

随着深度学习模型在边缘设备、高并发服务与实时业务中的广泛落地,模型推理性能与体积成为工程落地的关键瓶颈。模型优化技术通过高效压缩权重与重构计算图,在推理速度、模型体积与精度之间寻求最优平衡。常见的优化手段包括基于数值映射的量化、基于冗余参数移除的剪枝,以及利用大模型指导小模型的知识蒸馏。配合TensorRT、ONNX Runtime等推理引擎的算子融合与精度加速,可在保持业务指标的前提下获得数倍性能提升。本文系统梳理模型优化的完整流程、参数配置技巧、常见踩坑排查方法与组合策略,为算法工程师与部署工程师提供一

weixin_29061041的博客 247

NEURAL MASK幻镜技术前瞻:RMBG-3.0轻量化方向与移动端实时抠图可行性展望

本文介绍了如何在星图GPU平台上自动化部署💠 NEURAL MASK | 幻镜 · 视觉重构实验室镜像,该镜像集成了先进的AI抠图技术。基于此平台,用户可以便捷地搭建环境,利用该技术实现高质量图片背景移除,广泛应用于电商产品图处理、创意设计等场景,显著提升视觉内容制作效率。

weixin_42160645的博客 724

大模型压缩实战:从量化、投机解码到AngelSlim工具包深度解析

模型压缩是深度学习部署中的关键技术,旨在减少模型存储和计算开销,同时尽可能保持性能。其核心原理包括量化、剪枝、知识蒸馏等,通过降低参数精度或移除冗余结构来实现。这项技术的价值在于,它能显著降低大模型对显存、算力的需求,使其能在消费级硬件、移动端及边缘设备上高效运行,从而拓宽AI应用场景。在众多工具中,腾讯开源的AngelSlim工具包集成了量化、投机解码等前沿算法,并针对Transformer、MoE等主流架构进行了深度优化,为开发者提供了从模型压缩到部署的一站式工程化解决方案。

weixin_30800807的博客 284

SENet154模型压缩与量化:终极轻量化部署解决方案

senet154.gluon_in1k是一个基于Squeeze-and-Excitation注意力机制的深度残差网络,在ImageNet-1k数据集上达到了81.23%的Top-1准确率。然而,其115.1M参数和20.8GMACs的计算量给实际部署带来了挑战。本文将详细介绍如何通过**模型压缩与量化技术**将这一高性能模型轻量化,使其能够在资源受限的设备上高效运行。😊 ## 为什么需要模型压

gitblog_00019的博客 385

边缘计算模型部署优化:量化、剪枝与TensorRT实战

边缘计算环境下的模型部署面临内存和算力的严格限制,模型量化与剪枝成为关键技术解决方案。量化通过将浮点参数转换为低比特整数,显著减少内存占用并加速计算,而剪枝则通过移除冗余参数保持模型效率。TensorRT作为NVIDIA的推理加速器,通过图优化和硬件特定优化,可提升3-5倍的推理速度。这些技术在工业质检、实时视频分析等场景中尤为重要,能有效平衡模型精度与推理速度,满足边缘设备的实时性要求。

weixin_29261711的博客 294
上一篇: 【视频课】如何掌握好深度学习之视频分类与行为识别?这一门课足矣!
下一篇: 【杂谈】关于数据和模型,初学者极容易忽视的两个问题!
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3636粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值