登录社区云，与社区用户共同成长
邀请您加入社区
传统 NAS 仅优化精度，FBNet 加入 “硬件延迟模型”（如手机 GPU 计算延迟），搜索过程中同时约束参数量和延迟，生成的模型在 iPhone 上比 MobileNet V2 快 2 倍，精度相当。：ShuffleNet 引入 “通道混洗（Channel Shuffle）”，卷积后将不同组的通道打乱重组，解决分组导致的 “通道隔离” 问题，保证跨组信息流通。用 “步长 = 2 的 3 × 3
结合我的实践谈一下这两点，①在做语音合成模型量化的时候，模型中大量的卷积操作，使用netron打开后的结果如下图所示。②但是我当时量化的时候使用的校准数据是函数生成的，不是真是的输入数据，导致虽然模型量化成功了，但是效果却大打折扣。通常我们将模型转换为onnx格式之后，模型的体积可能比较大，这样在某些场景下就无法适用。最近想在移动端部署语音识别、合成模型，但是目前的效果较好的模型动辄几个G，于是便
在电力负荷预测、水文流量估算、交通流量回归等时序相关回归任务中，数据不仅具备高维度、非线性特征，更包含显著的时序动态依赖（如电力负荷的日内峰谷周期、水文流量的季节性变化）。CNN-LSTM 回归模型通过 CNN 的空间局部特征提取能力与 LSTM 的长短期时序依赖捕捉优势，在复杂时序回归任务中实现高精度预测。
1.nn.ReflectionPad2d()不支持。有的人喜欢先用这个填充然后再用卷积，其实直接在卷积里使用padding就行，也可以改想要的填充模式。3.卷积反卷积的时候，output_padding参数不支持。2.上采样只能用nearest，
