5. Train
Quick search
code
Show Source
PDF Github
Dive into cheap deep learning
Table Of Contents
  • Getting Started
  • 1. Introduction
    • 1.1. time
    • 1.2. 技术
    • 1.3. 隐私
    • 1.4. money
    • 1.5. Data
  • 2. Lightweight
    • 2.1. Lightweight
    • 2.2. SqueezeNet
    • 2.3. MobileNet
    • 2.4. MobileNet-v2
    • 2.5. ShuffleNet
    • 2.6. GhostNet
  • 3. Compression
    • 3.1. 模型压缩
    • 3.2. 参数剪枝(Pruning)
    • 3.3. Knowledge-Distillation
    • 3.4. 量化
  • 4. Write code
    • 4.1. Jupyter
    • 4.2. API
  • 5. Train
    • 5.1. Server
    • 5.2. Active Learning
    • 5.3. Pretrain
    • 5.4. 改进
    • 5.5. 结构
  • 6. Deployment
    • 6.1. 芯片
    • 6.2. Edge
    • 6.3. mobile
    • 6.4. MCU
    • 6.5. AI 中台
Dive into cheap deep learning
Table Of Contents
  • Getting Started
  • 1. Introduction
    • 1.1. time
    • 1.2. 技术
    • 1.3. 隐私
    • 1.4. money
    • 1.5. Data
  • 2. Lightweight
    • 2.1. Lightweight
    • 2.2. SqueezeNet
    • 2.3. MobileNet
    • 2.4. MobileNet-v2
    • 2.5. ShuffleNet
    • 2.6. GhostNet
  • 3. Compression
    • 3.1. 模型压缩
    • 3.2. 参数剪枝(Pruning)
    • 3.3. Knowledge-Distillation
    • 3.4. 量化
  • 4. Write code
    • 4.1. Jupyter
    • 4.2. API
  • 5. Train
    • 5.1. Server
    • 5.2. Active Learning
    • 5.3. Pretrain
    • 5.4. 改进
    • 5.5. 结构
  • 6. Deployment
    • 6.1. 芯片
    • 6.2. Edge
    • 6.3. mobile
    • 6.4. MCU
    • 6.5. AI 中台

5. Train¶

  • 5.1. Server
    • 5.1.1. GPU
    • 5.1.2. DJL
  • 5.2. Active Learning
    • 5.2.1. 标记的数据多少算够？
  • 5.3. Pretrain
    • 5.3.1. 标准模型算法资源库3
  • 5.4. 改进
    • 5.4.1. 策略一：正交化过程
    • 5.4.2. 策略二：确定单一的模型性能评价指标和选择合适的训练集、交叉验证集/测试集
    • 5.4.3. 策略三：调整性能评估指标和交叉验证集/测试集
    • 5.4.4. 策略四：将系统的表现与人类的表现相比，确定提升系统性能的方法
  • 5.5. 结构
    • 5.5.1. 多用卷积核Versatile Filters (NeurIPS 2018)
    • 5.5.2. 乐高卷积核
Previous
4.2. API
Next
5.1. Server