VIP20
本课程属于：027-Edge AI模型压缩：剪枝、蒸馏与稀疏化 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

3. Edge AI非结构化剪枝：稀疏权重和硬件加速条件

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
学习目标 · 非结构化剪枝在Edge AI中的定位 · 整体学习路径
课程导入学习目标
02
基础概念
权重稀疏性 · 非结构化剪枝与结构化剪枝的区别 · 稀疏度定义
基础概念权重稀疏性
03
剪枝动机
模型压缩需求 · Edge设备资源约束 · 非结构化剪枝的潜在收益与挑战
剪枝动机模型压缩需求
04
剪枝粒度
细粒度剪枝 · 向量级剪枝 · 内核级剪枝
剪枝粒度细粒度剪枝
05
剪枝标准
基于幅值 · 基于梯度 · 基于Hessian
剪枝标准基于幅值
06
经典方法
Magnitude Pruning · Iterative Pruning · Lottery Ticket Hyp…
经典方法Magnitude
07
动态剪枝
Dynamic Network Su… · Soft Pruning · Continuous Sparsif…
动态剪枝Dynamic
08
训练流程
训练-剪枝-微调（Train-Pru…
训练流程Train-Pru
09
稀疏训练
从头训练稀疏网络 · 稀疏正则化（L1 · L0
稀疏训练从头训练稀疏网络
10
剪枝率选择
如何确定每层剪枝率 · 全局剪枝与局部剪枝 · 敏感性分析
剪枝率选择如何确定每层剪枝…
11
稀疏度与精度权衡
精度损失评估 · 恢复策略 · 早停与学习率调整
稀疏度精度权衡
12
硬件加速基础
稀疏矩阵存储格式（CSR · CSC · COO）
硬件加速基础CSR
13
硬件加速条件
专用硬件（如NVIDIA A100 · TPU · NPU）对稀疏性的支持
硬件加速条件NVIDIA
14
软件框架
PyTorch · TensorFlow · TVM
软件框架PyTorch
15
推理优化
稀疏推理库（如DeepSparse · OpenBLAS · cuSPARSE）的使用与性能对比
推理优化DeepSparse
16
Edge AI硬件案例
手机SoC · 树莓派 · Jetson
EdgeAI
17
案例实战
使用PyTorch对ResNet-1…
案例实战PyTorch
18
案例实战
使用TensorFlow Model…
案例实战TensorFlow
19
案例实战
在Jetson Nano上部署稀疏模…
案例实战Jetson
20
常见问题
剪枝后精度骤降的原因与调试方法
常见问题剪枝后精度骤降的…
21
常见问题
稀疏模型在通用硬件上反而变慢的原因分…
常见问题稀疏模型
22
常见问题
如何平衡稀疏度与硬件利用率 · 避免不规则内存访问
常见问题如何平衡稀疏度
23
高级主题
结构化稀疏（如N
高级主题结构化稀疏
24
高级主题
剪枝与量化 · 知识蒸馏的联合优化策略
高级主题剪枝
25
高级主题
自动化剪枝（AutoML · NAS）在Edge AI中的应用
高级主题AutoML
26
评估指标
模型大小 · FLOPs · 延迟
评估指标模型大小
27
工具链集成
将剪枝集成到边缘部署流水线（如Ten… · CoreML · TFLite）
工具链集成Ten
28
综合项目
设计一个端到端的Edge AI稀疏模…
综合项目Edge
29
前沿趋势
稀疏训练新方法 · 硬件-软件协同设计 · 稀疏Transformer在边缘的部…
前沿趋势稀疏训练新方法
30
课程总结
核心要点回顾 · 学习资源推荐 · 实践建议与未来展望
课程总结核心要点回顾