Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
沒
Resource
提交
4f2ec32f
R
Resource
项目概览
沒
/
Resource
与 Fork 源项目一致
从无法访问的项目Fork
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
R
Resource
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
4f2ec32f
编写于
9月 03, 2020
作者:
F
flashrunrun
提交者:
GitHub
9月 03, 2020
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Create 6.部署进阶:推理端优化.md
上级
2843b2b9
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
39 addition
and
0 deletion
+39
-0
零基础入门旷视天元MegEngine/6.部署进阶:推理端优化.md
零基础入门旷视天元MegEngine/6.部署进阶:推理端优化.md
+39
-0
未找到文件。
零基础入门旷视天元MegEngine/6.部署进阶:推理端优化.md
0 → 100644
浏览文件 @
4f2ec32f
## 主题
部署进阶:推理端优化
## 讲师
王鹏
<br/>
毕业于成都理工大学,旷视科技多摄算法研究员,方向为多视图三维重建与深度学习融合,参与实时预览虚化,光学变焦,超广角畸变,单目深度估计等多个项目的研发与落地。
## 概要
了解模型量化基本原理,介绍 MegEngine 框架中模型量化方案,量化相关的模块和使用方法。
<br/>
以网络模型ShuffleNet V2为例, 实例讲解使用MegEngine进行模型量化的流程。
<br/>
1.
概述
<br/>
2.
量化方法介绍
<br/>
3.
实例讲解
<br/>
## 资料
课件:
[
6.部署进阶:推理端优化.pdf
](
./slides/6.部署进阶:推理端优化署.pdf
)
<br/>
code:
[
6.部署进阶:推理端优化.ipynb
](
./notebooks/6.部署进阶:推理端优化.ipynb
)
<br/>
## 视频地址
https://www.bilibili.com/video/BV1uy4y1y7S6
## 作业
-
了解MegEngine框架下量化原理
<br/>
-
利用MegEngine框架修改Shufflenet_v2模型为可量化模型
<br/>
-
使用train.py、finetune.py 和inference.py 验证量化模型是否修改成功。
<br/>
### 如何提交
将修改后的模型py文件, 量化后的模型size及个人信息发送到邮箱:mgesupport@megvii.com
**邮件标题:**
天元入门第六次课程作业
**邮件内容**
*
截图
*
姓名:
*
学校(公司):
*
电话:
*
邮寄地址:
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录