VIP20
本课程属于：010-TinyML模型剪枝与稀疏化 工业控制与工业互联网 · 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

TinyML剪枝模型再训练与部署验证流程

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
TinyML概述 · 剪枝的价值 · 再训练与部署验证的整体流程
课程导入TinyML
02
TinyML基础
微控制器与嵌入式AI · 资源约束 · 典型应用场景（关键词唤醒
TinyMLAI
03
模型剪枝基础
剪枝的定义 · 类型（结构化/非结构化 · 稀疏/通道）
模型剪枝基础剪枝的定义
04
剪枝原理与数学基础
权重重要性评估（L1/L2范数 · 泰勒展开 · Hessian近似）
剪枝原理数学基础
05
剪枝策略设计
全局剪枝vs分层剪枝 · 迭代剪枝vs一次性剪枝 · 自动剪枝与手动规则
剪枝策略设计vs
06
剪枝工具与框架
TensorFlow Model O… · PyTorch Pruning · OpenVINO
剪枝工具框架
07
剪枝实战（一）
在Keras中实现非结构化剪枝 · 设置稀疏度 · 训练流程
剪枝实战Keras
08
剪枝实战（二）
在PyTorch中实现结构化通道剪枝 · 使用torch.nn.utils.p… · 处理卷积层
剪枝实战PyTorch
09
剪枝后模型评估
精度 · FLOPs · 参数量
剪枝后模型评估精度
10
再训练的必要性
剪枝导致的精度损失原因 · 再训练目标 · 学习率调整与正则化策略
再训练的必要性剪枝导致的精度损…
11
再训练策略
微调（fine-tuning） · 从头训练 · 知识蒸馏辅助
再训练策略fine-tuning
12
再训练实战
使用剪枝后的稀疏模型进行再训练 · 设置epochs · batch size
再训练实战使用剪枝后的稀疏…
13
稀疏模型优化
稀疏表示 · 索引存储 · 稀疏卷积/全连接实现
稀疏模型优化稀疏表示
14
模型量化与剪枝结合
量化感知训练 · 后训练量化 · 剪枝+量化联合优化流程
模型量化剪枝结合
15
模型转换与压缩
转换为TFLite · ONNX · TensorRT
模型转换压缩
16
TinyML部署平台
Arduino · STM32 · ESP32
TinyML部署平台
17
部署流程
模型转换 · C++代码生成 · 内存布局
部署流程模型转换
18
部署验证（一）
在模拟器/开发板上运行 · 验证输出正确性 · 精度与延迟
部署验证模拟器
19
部署验证（二）
功耗测量 · 热性能 · 长期稳定性
部署验证功耗测量
20
端到端案例（一）
关键词唤醒模型（如KWS）的剪枝 · 再训练 · 部署到Arduino Nano 33…
端到端案例KWS
21
端到端案例（二）
图像分类模型（如CIFAR-10）剪… · 验证实时性
端到端案例CIFAR-10
22
端到端案例（三）
异常检测模型（如传感器数据）剪枝后部… · 验证低功耗
端到端案例异常检测模型
23
常见问题与调试
剪枝后精度骤降 · 再训练不收敛 · 部署后输出错误
常见问题调试
24
性能调优
剪枝率选择 · 再训练超参数调优 · 部署时优化循环与内存复用
性能调优剪枝率选择
25
自动化流程
构建剪枝-再训练-部署的CI/CD管… · 使用脚本与Docker · 实现自动化验证
自动化流程CI/CD
26
模型安全与鲁棒性
剪枝对对抗攻击的影响 · 再训练时的鲁棒性提升 · 部署安全考虑
模型安全鲁棒性
27
前沿与扩展
动态剪枝 · 神经架构搜索 · 剪枝与联邦学习
前沿扩展
28
综合实战项目
从给定数据集出发 · 完成剪枝 · 再训练
综合实战项目从给定数据集出发
29
课程总结
核心要点回顾 · 常见误区 · 学习资源推荐
课程总结核心要点回顾
30
结业考核
设计一个完整的TinyML剪枝项目 · 包括方案 · 实现
结业考核TinyML