贪心学院-高性能神经网络与AI芯片应用研修课程

越来越多的IoT设备和场景需要与数据采集点以最接近的低时延来进行决策和操作；另外IoT物联设备生成的数据量通常很大，由于运营成本、时间和隐私方面的考虑，移动和存储所有生成的数据不太可行。
AI技术的一个趋势是在设备端上部署高性能的神经网络模型，并在真实场景中实时运行。如移动端/嵌入式设备，这些设备的特点是内存资源少，处理器性能不高，功耗受限，这使得目前精度最高的模型根本无法在这些设备进行部署和达到实时运行。

如果我们对神经网络模型进行特殊处理，而几乎不怎么影响模型的推理计算精度，则使得设备端的推理和计算变为可能。
事实上，目前已经有较为成功的设备端推理计算技术，来实现边缘智能。一些技术已经在各种各样的芯片和嵌入式设备上应用并产生巨大经济价值。

<贪心学院-高性能神经网络与AI芯片应用研修课程>
├<week 3>
│ ├<使用结构化剪枝完成一个网络结构的剪枝>
│ │ ├使用结构化剪枝完成一个网络结构的剪枝-1.mp4
│ │ └使用结构化剪枝完成一个网络结构的剪枝-2.mp4
│ ├<网络剪枝>
│ │ ├网络剪枝-1.mp4
│ │ ├网络剪枝-2.mp4
│ │ ├网络剪枝-3.mp4
│ │ ├网络剪枝-4.mp4
│ │ └网络剪枝-5.mp4
├<第02周>
│ ├<使用知识蒸馏完成检测网络的压缩>
│ │ ├使用知识蒸馏完成检测网络的压缩-1.mp4
│ │ └使用知识蒸馏完成检测网络的压缩-2.mp4
│ ├<知识蒸馏优化、低秩分解优化>
│ │ ├知识蒸馏优化、低秩分解优化-1.mp4
│ │ ├知识蒸馏优化、低秩分解优化-2.mp4
│ │ ├知识蒸馏优化、低秩分解优化-3.mp4
│ │ ├知识蒸馏优化、低秩分解优化-4.mp4
│ │ └知识蒸馏优化、低秩分解优化-5.mp4
├<第04周>
│ ├uint8量化一个网络-1.mp4
│ ├uint8量化一个网络-2.mp4
│ ├网络量化-1.mp4
│ ├网络量化-2.mp4
│ ├网络量化-3.mp4
│ ├网络量化-4.mp4
│ └网络量化-5.mp4
├<第05周>
│ ├<就业分析+岗位推荐>
│ │ ├就业分析+岗位推荐-1.mp4
│ │ └就业分析+岗位推荐-2.mp4
│ ├<了解openppll架构>
│ │ ├了解openppll架构-1.mp4
│ │ └了解openppll架构-2.mp4
│ ├<神经网络编译器简介>
│ │ ├神经网络编译器简介-1.mp4
│ │ ├神经网络编译器简介-2.mp4
│ │ ├神经网络编译器简介-3.mp4
│ │ ├神经网络编译器简介-4.mp4
│ │ └神经网络编译器简介-5.mp4
├<第07周>
│ ├ncnn-1.mp4
│ ├ncnn-2.mp4
│ ├ncnn-3.mp4
│ ├ncnn-4.mp4
│ ├ncnn-5.mp4
│ ├主题：使用ncnn进行离线量化并在eaidk310板子部署的demo-1.mp4
│ └主题：使用ncnn进行离线量化并在eaidk310板子部署的demo-2.mp4
├<第二周>
│ ├<使用知识蒸馏完成检测网络的压缩>
│ │ ├使用知识蒸馏完成检测网络的压缩-1.mp4
│ │ └使用知识蒸馏完成检测网络的压缩-2.mp4
│ ├<知识蒸馏优化、低秩分解优化>
│ │ ├知识蒸馏优化、低秩分解优化-1.mp4
│ │ ├知识蒸馏优化、低秩分解优化-2.mp4
│ │ ├知识蒸馏优化、低秩分解优化-3.mp4
│ │ ├知识蒸馏优化、低秩分解优化-4.mp4
│ │ └知识蒸馏优化、低秩分解优化-5.mp4
├<第一周>
│ ├<1.轻量化网络结构设计>
│ │ ├Lecture1 轻量化网络结构设计-1.mp4
│ │ ├Lecture1 轻量化网络结构设计-2.mp4
│ │ ├Lecture1 轻量化网络结构设计-3.mp4
│ │ ├Lecture1 轻量化网络结构设计-4.mp4
│ │ ├Lecture1 轻量化网络结构设计-5.mp4
│ │ └Lecture1 轻量化网络结构设计-6.mp4
│ ├<2.实例分割相关的轻量网络并评估性能>
│ │ ├Review1 实例分割相关的轻量网络并评估性能-1.mp4
│ │ └Review1 实例分割相关的轻量网络并评估性能-2.mp4