【视频课】模型优化拆分!分别学习模型剪枝与模型量化理论与实践

模型优化——模型剪枝、模型量化、知识蒸馏 阅读详情

dadbddf446b145aec1fdba19c8867899.png

前言

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。

ee8c480a44ca1181e8e1384d7367d630.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。

84545634c7a13782e1edc31137d25a49.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+4个小时的实践课(还在更新中),可以参考介绍:

【视频课】超10小时模型优化技术,模型剪枝+模型量化+知识蒸馏理论与实践!

5754162f13ff8c7dad29cddbfeb21685.png

但是因为咱们有些学习者只对其中的某一项技术感兴趣,比如模型剪枝或者模型量化,毕竟完整的模型优化相关的内容非常多,随着后面内容继续更新,想要完全消化吸收也是很有难度的。

因此,应咱们一些朋友的要求,我们将《深度学习之模型剪枝》与《深度学习之模型量化》的内容单独从优化专栏中拆分出来,下面我们分别对这两部分做一个介绍。

模型剪枝专栏

模型剪枝课程专栏内容包括模型剪枝的经典算法理论与实践,目前一期已经基本更新完毕,约4个小时,涵盖了模型剪枝基础,非结构化模型剪枝,结构化模型剪枝,以及相关的实践,下面是各部分的简单介绍。

(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】。

f8555b0e69643ec0d17b25fd93aa6704.png

cc8f3988e52b05b5269941b9fa7027c6.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】。

b4fc0f59f8594eb8835d15a80ab8ac12.png

0ba7ef3120fc5ae95efb79299e9ed58f.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。

1d619faeaa0bd0e9df8f723fa117b770.png

4106688db78f225afb051fec8c9742b9.png

450d33e2aa1690769cd8af98c3e42467.png

282b4e166d0cfb8ff1014bd9919e0e88.png

9b378b6ef4df1f1d21087c627701af2c.png

(4) 结构化模型剪枝实践,包括基准模型训练以及基于稀疏约束与缩放因子的结构化剪枝实践,约60分钟。

156a45acb0196636da9de2674acf6764.png

255ebdf7ea94c4902b693521d8915616.png

课程试听以及订阅,后续内容的更新,请扫码下面的海报,查看详细目录:

2074dbaa715930d062a7627ef3176022.png

模型量化专栏

模型量化课程专栏内容包括模型量化的经典算法理论与实践,目前一期已经基本更新完毕,约4个小时,涵盖了模型量化基础,1bit模型量化,8bit模型量化,混合量化,以及相关的实践,下面是各部分的简单介绍。

下图是已有课程的大纲脑图:

73f464b9fb3ce7ad834d22cbb68846f2.png

下面简单了解一下各部分的内容:

(1) 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。

6508e56cb2a03873a9db27901b7866e2.png

e7143a9bb70a560f4bf1259c0e010b1f.png

(2) 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。

6871230caa522b499f89264b6d5c8ae3.png

33a6fb975fb270f21a02024140638dda.png

d2d3ce37680578bb9d98c9ec261401ce.png

(3) 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。

f3dcb9654421768795abf36d219597a5.png

154e5b8968f0a5a0aff8653d268a125b.png

(4) 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。

810acb93808781ae2327e9cb1b186059.png

5617cf73274220199ec1331a4fb34413.png

(5) 8bit模型量化实践,包括校准表生成与模型量化,ncnn模型推理,约90分钟。

1df61e09c5588aeba657629709a8d8df.png

ae5d27fdb629752df1ab471ea97c34a2.png

263e659fa147ba6aba96bff309c061f5.png

课程试听以及订阅,后续内容的更新,请扫码下面的海报,查看详细目录:

be76d11c033a449632752d957fce9516.png

课程

当前这两门课程的定价为149,周一恢复价格为199,请及时订阅。

本课程讲师为言有三,讲师简介如下:

817f5c0c955fb0a3372cdc5c93bcad50.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门课程配合使用,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

c73f5c93d2c8284c8f08e86429472c84.png

fbf9a684ad099290e2b77d3d75c6098b.png

b25d15946bc69d914fdc44c14b2a0e5b.png

如果想要一次性获取有三AI平台所有模型相关的课,建议直接加入有三AI-CV秋季划模型算法组,不仅有课程,还有有三的一对一答疑,书籍赠送以及知识星球赠送,可参考介绍如下:

【CV秋季划】模型算法与落地很重要,如何循序渐进地学习好(2022年言有三一对一辅导)?

56128119a30187e0078c70370d2ea2e0.png

4b86ace99dd8520a82e30a518040afd7.png

ccf250431e51bfab64e9669bfb0ec7bd.png

d5c5efd911e2a0d86f22a1d37cd6a1b6.png

往期相关

大模型轻量化技术:原理、方法与实践指南 模型轻量化是深度学习领域的关键技术,通过数学优化和架构创新在保持模型性能的同时显著降低计算资源消耗。其核心原理包括矩阵低秩分解、神经网络剪枝、量化技术等,能实现模型体积缩小4-10倍和推理速度提升2-5倍的技术价值。这些方法在边缘计算、移动端部署等资源受限场景具有重要应用,特别是结合知识蒸馏和神经架构搜索等前沿技术时效果更佳。以低秩分解为例,通过Tucker或CP分解等矩阵优化方法,可有效处理CNN和Transformer中的大型权重矩阵。当前工业实践中,复合使用剪枝、量化和蒸馏的组合策略已成为提升模型效率 阅读详情

相关推荐

模型压缩技术演进与工程实践:从剪枝到自适应推理

模型压缩技术是深度学习中解决模型复杂度与部署环境约束平衡的关键方法。其核心原理包括减少参数数量、优化计算图以及端到端轻量化设计,通过剪枝、量化、知识蒸馏等技术实现计算-存储-精度的帕累托最优。这些技术在移动端图像处理、边缘设备语音识别等场景中展现出显著价值,例如将ResNet-50模型体积从98MB压缩至6.3MB。随着神经架构搜索(NAS)和动态推理等第三代技术的发展,模型压缩正朝着无损压缩和自适应推理芯片方向突破。工程实践中需注意剪枝陷阱、量化灾难等挑战,未来目标是将智能计算变得无处不在。

weixin_29079643的博客 308

【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!...

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。...

hacker_long的专栏 1211

自适应剪枝技术能够根据硬件特性和任务需求动态调整剪枝策略

自适应剪枝技术的动态调整能力,使其成为连接算法、任务与硬件的桥梁。通过硬件感知建模(如计算/内存约束)与任务驱动优化(如精度/延迟权衡),结合强化学习、元学习等方法,可实现在不同场景下的高效适配。未来,随着软硬件协同设计(如稀疏计算单元)与自动化工具链的成熟,自适应剪枝将进一步推动轻量化AI的普惠化部署。自适应剪枝技术能够根据硬件特性和任务需求动态调整剪枝策略,这种灵活性使其在边缘计算、移动端部署和联邦学习等场景中具有显著优势。

百态·数智思维 | 聚焦大数据、量化与未来AI 1240

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

DRAM知识整理系列(三):部分时序参数整理

一、tCL-tRCD-tRP-tRAS(第一时序) 内存是根据行和列寻址的,当请求触发后,最初是tRAS(Active to precharge Delay),预充电后,内存才真正开始初始化RAS(Row Address Strobe)。一旦tRAS激活后,RAS开始进行需要数据的寻址。首先是行地址,然后初始化tRCD(RAS to CAS Delay),周期结束,接着通过CAS(Column Address Strobe)访问所需数据的十六进制地址。其中,从CAS开始到CAS结束,就是CAS延迟(即t

不吃鱼的猫的博客 7万+

camera 知识速查

本文总结了Camera开发中的常见问题排查方法和关键技术点。主要内容包括:I2C/MIPI不通的排查步骤、时序问题分析方法、Sensor/AF/Flash/PDAF的Bring Up流程、OTP调试方法、PDAF原理及调试、CTS/ITS问题解决思路、AE震荡解决方案、Systrace性能分析方法、Flicker产生原理、Tombstone问题定位等。还涉及V4L2框架解析、问题定位分层方法、Sensor Setting注意事项、时钟信号概念、第三方应用卡顿排查、大光圈概念、Monkey测试方法。

qq_41665131的博客 785

【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

麦克风声源定位原理_声源定位—如何定位到噪声根源?

前言TPA(传递路径分析)专题系列已经开篇。其遵循方法论:源(Source)——路径(Path)——响应(Receiver)有人说TPA好,它可以识别出路径处甚至源的载荷特征,可以量化各个路径的贡献量。有人说声源定位好,不管东西南北中,“源”自其中。但是,声源定位识别出来色彩丰富的一个结果,这结果被您拿来应付工作了,还是真正帮您解决了问题?声源定位定位到了噪声的根源了么?对于一些声源现,...

weixin_39943678的博客 3974

【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+

线性回归做糖尿病分析(diabetes数据集),并分析单个特征值与病情的关系

1.diabetes数据集 共442个样本,每个样本有十个特征,分别是 [‘age’, ‘sex’, ‘bmi’, ‘bp’, ‘s1’, ‘s2’, ‘s3’, ‘s4’, ‘s5’, ‘s6’],对应年龄、性别、体质指数、平均血压、S1~S6一年后疾病级数指标。 Targets为一年后患疾病的定量指标,值在25到346之间。 ...

t18438605018的博客 1万+

ACR 磁共振安全手册 2024 更新版:全面保障 MRI 安全实践

MR 环境:MR 系统周围的三维空间,包含法拉第屏蔽体积和 9 高斯线,医疗设备在此区域可能因暴露于 MR 设备产生的电磁场而构成危险,需进行访问控制以降低风险MR 受控访问区域:MR 系统周围的局部定义区域,包含 MR 环境(包括其静磁场),访问仅限于授权人员MR 抛射物区域:围绕 MRI 系统的 IV 区区域,铁磁物体在此有成为抛射物的风险图一 磁共振环境:场地规划与区域划分。

楚山之石的博客 2604

【视频课】3层境界,如何掌握深度学习模型设计、优化、部署

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...

hacker_long的专栏 775

Prometheus-2.53.1安装

Prometheus+Grafana安装

qlj062127的博客 1788

轻量化模型边缘部署实战:从量化剪枝到推理调优

边缘计算环境下,模型部署面临算力受限、内存紧张、功耗敏感等多重挑战。AI模型从云端迁移到边缘设备,必须经过模型压缩与推理加速的完整工程化改造。量化、剪枝、知识蒸馏等轻量化技术能够有效缩减模型体积、降低计算复杂度,而ONNX、TensorRT等推理引擎则负责将优化后的模型高效运行在目标硬件上。理解部署链路中的算子适配、内存优化、线程配置等关键环节,是实现边缘侧实时推理的基础。在智能制造、智慧安防、物联网等场景中,轻量化部署正成为AI落地生产环境的核心能力。本文结合实战经验,系统梳理从模型轻量化处理、格式转换到

weixin_34226182的博客 397

1、机器学习在环境科学中的应用与经典数据分析基础

本文介绍了机器学习在环境科学中的广泛应用,包括卫星遥感、气候预测、空气质量预报等领域,并系统回顾了经典数据分析的基本概念,如期望、方差、协方差和相关性及其显著性检验。同时,文章阐述了贝叶斯定理、判别函数与分类、聚类分析等方法的原理与应用,强调了经典统计方法与机器学习技术的互补关系。最后展望了未来环境科学中数据分析的发展方向,强调多学科融合与方法创新的重要性。

stone的博客 145

Agent 智能体学习指南:从入门到求职的完整路线

AI Agent 不是更长的 prompt,而是一类系统设计——模型在受控环境里观察状态、选择动作、调用工具、接收反馈。本文系统梳理 Agent 的 5 个核心概念、7 个关键模块(Goal/State/Context/Tools/Loop/Guardrails/Eval)、三条学习路线(工程落地/研究算法/求职作品)、框架选型策略(LangGraph/OpenAI Agents SDK/Pydantic AI 等场景推荐),以及可执行的 7 天最小项目计划(从概念到简历 bullet)。

program哲学 232

大模型技术进阶路线,有了基础应该怎么进阶?从零基础到精通,理论与实践结合的最佳路径!

高性能大模型的打造,是一项复杂的系统性工程在上一篇文章中讲了学习大模型的基础路线,而如果是对有一定基础的人来说,应该怎么进阶呢?也就是说大模型更加高级的技术栈有哪些?一个好的基础能够让你在学习的道路上事半功倍,但绝对不是学习的终点,大模型技术也不外如是。大模型的进阶学习路线在上一篇的文章中介绍了大模型的基础学习路线,比如基础理论,编程,深度学习框架等等。以上技术都属于大模型技术的基础,不论是做学术研究,还是个人学习都已经足够;

Python单行客的博客 1076

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【总结】有三AI所有原创模型分析设计优化与部署相关的学习资料汇总(2022年12月)...

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,而模型的部署则是项目的最后一环。为了让大家能够系统性掌握相关内容,为以后做研究以及就业打下基础,我们平台输出了海量与模型有关的内容,包括公众号文章,书籍,以及4门对应的视频课程,本次来汇总一下相关...

hacker_long的专栏 600

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

超轻量SAM模型部署:ONNX量化与Transformer剪枝实战

图像分割模型在移动端和边缘计算场景的部署常面临体积与延迟的挑战。通过模型量化技术,可将FP32权重转换为INT8格式,显著减少内存占用和计算开销,其核心原理在于线性映射和动态范围校准。结合Transformer剪枝技术,通过评估注意力头重要性实现结构化参数削减,能在保持模型精度的同时提升推理速度。这些优化方法特别适用于实时图像处理、AR应用和边缘视频分析等场景。以SAM模型为例,采用ONNX动态量化与注意力头剪枝的组合策略,可实现模型体积缩减81.5%和推理速度提升3.2倍的显著效果,为资源受限环境下的计算

weixin_34216107的博客 355

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

8G显存实战:如何高效运行视频大模型的技术方案与避坑指南

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94959893的博客 667

AI模型压缩实战:从剪枝、量化到部署的完整指南

模型压缩是深度学习中一项关键技术,其核心原理在于通过算法手段减少神经网络模型的参数量和计算量,同时尽可能保持其原有性能。这项技术的核心价值在于解决了AI模型在资源受限环境下的部署难题,极大地推动了人工智能从云端向边缘侧和终端设备的普及。在实际工程中,模型压缩并非单一技术,而是一套包含剪枝、量化和知识蒸馏等方法的组合工具箱。剪枝通过移除冗余参数为模型“瘦身”,量化则将高精度计算转换为低精度以提升效率,知识蒸馏则让轻量级模型学习大模型的“知识”。这些技术广泛应用于移动端AI、物联网设备、嵌入式视觉和实时智能分析

weixin_33994429的博客 419

边缘计算智能视频分析优化实践:多节点协同、模型分片与实时流处理策略

摘要:随着边缘计算的发展,智能视频分析面临高并发、低延迟的挑战。文章提出边缘计算优化方案,包括:1)轻量化模型分片策略;2)异步流处理与批量优化;3)多节点协同负载均衡;4)通信与带宽优化技术。通过实际案例验证,这些方法能显著提升系统性能,使视频分析在复杂环境下仍保持实时响应,为智慧城市等场景提供高效技术支持。(148字)

2501_94056519的博客 1183

ComfyUI轻量级文生视频模型实战:从零搭建到性能优化

通过这次实践,我们成功地将一个庞大的文生视频模型“瘦身”了三分之二以上,使其能够在消费级显卡上流畅运行。ComfyUI的模块化设计让整个集成和实验过程变得非常顺畅。当然,这只是一个起点。更先进的剪枝与量化策略:如结构化稀疏训练、混合精度量化(FP16+INT8),能否在几乎无损的情况下压缩更多?神经网络架构搜索:能否自动搜索出针对视频生成任务最优的微型网络结构,而不是手动裁剪现有大模型?蒸馏与增量学习:如何利用持续产生的数据,让轻量模型通过蒸馏不断逼近甚至超越原始大模型在特定领域的表现?

2600_94960195的博客 372

【杂谈】深度学习之模型设计书看完了完全不过瘾?那这些拓展资料你都看了不?...

大家应该还记得有三在今年6月份出版的新书《深度学习之模型设计》吧,这是一本讲述深度学习模型设计核心算法的书籍,同时配套有大量实战案例,书籍介绍链接如下。言有三新书来袭!业界首次深入全面讲...

hacker_long的专栏 858

SSD Keras模型压缩终极指南:轻量化部署与边缘计算优化方案

在当今人工智能快速发展的时代,**SSD Keras模型压缩**已成为计算机视觉领域的关键技术。SSD(Single Shot MultiBox Detector)作为高效的目标检测算法,在Keras框架下的实现为开发者提供了强大的工具。然而,原始SSD模型参数量大、计算复杂度高,限制了其在资源受限的边缘设备上的部署。本文将详细介绍SSD Keras模型的轻量化部署策略和边缘计算优化方案,帮助您实

gitblog_02219的博客 434

大模型进阶学习路线,有了基础应该怎么进阶?(非常详细)看这一篇就够了!

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

Androiddddd的博客 707
上一篇: 【视频课】永久免费!5小时快速掌握Pytorch框架入门及实战
下一篇: 【CV冬季划】终极进阶,超30个项目实战+3本书+3年知识星球
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 3635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