剪枝

【递归、搜索与回溯算法】穷举、暴搜、深搜、回溯、剪枝题目描述：思路讲解：本道题需要我们从给定一个不含重复数字的数组 nums ，返回其所有可能的全排列。通过递归尝试所有可能的元素排列，在每一步选择一个未使用的元素加入当前排列，完成选择后回溯并尝试下一个元素，直到生成所有完整排列。以下是具体的思路：

爱分享的飘哥

第六十一章：AI 模型的“视频加速术”：Wan视频扩散模型优化你可能已经体验过像 Stable Diffusion 这样的文生图模型，它们能够在几秒内生成高质量的图片。

蓝桥杯算法之搜索章 - 3大家好，通过前面两章的讲解，我们已经了解了搜索中的DFS深度优先搜索。接下来我们将接着讲解剪枝与优化，更加深入的理解我们的DFS搜索

Spring Boot整合PyTorch Pruning工具链，模型瘦身手术通过Spring Boot整合PyTorch剪枝工具链，我们实现了：最佳实践建议：对于视觉模型使用L1通道剪枝，NLP模型使用头部注意力剪枝，结合知识蒸馏恢复精度，可实现10倍压缩率下的精度损失<0.5%

算法_小学生

决策树（Decision Tree）完整解析：原理 + 数学推导 + 剪枝 + 实战决策树（Decision Tree）是一种常见的监督学习方法，可用于分类和回归。其基本思想是：通过特征条件的逐层划分，将数据集分割成越来越“纯净”的子集，直到子集中的样本几乎属于同一类别。

【建模与仿真】基于双流Mobile Vit与通道剪枝的工业过程故障诊断工业过程视频监控数据的时间连续性和空间连续性，但是已有的基于视频数据的故障诊断模型有规模庞大而难以部署。为此，本研究提出了一种基于双流Mobile Vit的轻量化视频分类模型用于故障诊断，并且利用权重剪枝技术来降低模型大小。首先提取工业视频的视频帧和稠密光流分别作为工业过程的空间特征和时序特征，再使用两条轻量化主干网络Mobile Vit提取视频的空间特征和时序特征。最终在双流模型的尾部使用卷积注意力融合机制使光流特征和特征充分融合用于最终的诊断。为使模型更加轻量化，模型权重剪枝被用来降低双流Mobile

LaCo: Large Language Model Pruning via Layer Collapse发表：EMNLP_FINDING_2024机构：Shanghai Jiao Tong University

Minmax 算法与 Alpha-Beta 剪枝小教学要理解 Minmax 算法和 Alpha-Beta 剪枝算法，我们可以从“两人零和博弈”场景入手（比如棋类游戏、石头剪刀布）。这类场景的核心是：你和对手轮流决策，你的目标是最大化自己的收益，对手则会最小化你的收益。

烟锁池塘柳0

【深度学习】神经网络剪枝方法的分类随着深度学习模型，特别是大语言模型（LLM）的参数量爆炸式增长，模型的部署和推理成本变得异常高昂。如何在保持模型性能的同时，降低其计算和存储需求，成为了工业界和学术界的核心议题。神经网络剪枝（Pruning）作为模型压缩的关键技术之一，应运而生。本文将解析剪枝技术的不同分类，深入探讨其原理、优缺点。

机器学习×第十二卷：回归树与剪枝策略——她剪去多余的分支，只保留想靠近你的那一层🦊 狐狐：“她以前问你是A还是B，现在她问你——‘你大概是多少？’”与之前我们学过的分类树（Classification Tree）不同，回归树是一种用来预测连续值变量的模型。她不再只判断“是否会拖欠贷款”，而是试着预测“你拖欠了多少”。

大模型量化与剪枝量化有助于减少显存使用并加速推理 GPTQ 等后训练量化方法(Post Training Quantization)是一种在训练后对预训练模型进行量化的方法。

点我头像干啥

YOLOv8模型剪枝实战：DepGraph(依赖图)方法详解在计算机视觉领域，目标检测模型YOLO(You Only Look Once)系列以其高效的检测性能而闻名。随着YOLOv8的发布，这一系列模型在精度和速度上又达到了新的高度。然而，在实际部署场景中，特别是在边缘设备上，模型的计算复杂度和参数量仍然是重要的考量因素。模型剪枝作为一种有效的模型压缩技术，可以显著减少模型大小和计算量，同时尽量保持模型的性能。本文将深入探讨基于DepGraph(依赖图)的YOLOv8模型剪枝方法，并提供详细的实战指南。

king of code porter

深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（3）前面的文章《深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（1）》和《深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）》有做了相应的裁剪说明和实践，但是只是对其中的一个层进行采集的，这篇文章是记录对ResNet18中所有的残差层进行采集的一个过程。当然，前面也提到第一层是没有进行裁剪的，原因可以自己翻看前面的原因，后面也会有提到。

king of code porter

深度学习之模型压缩三驾马车：模型剪枝、模型量化、知识蒸馏在深度学习中，我们训练出的神经网络往往非常庞大（比如像 ResNet、YOLOv8、Vision Transformer），虽然精度很高，但“太重”了，运行起来很慢，占用内存大，不适合部署到手机、摄像头、机器人等资源受限的设备上。于是我们就想出了一个办法：给模型“瘦身”，让它又快又轻，还能保持不错的准确率。这就是——模型压缩！模型压缩有三种最常用的方法：模型剪枝模型量化知识蒸馏下面我们分别来通俗地讲讲它们是什么、怎么做的、为什么有用。

C137的本贾尼

(每日一道算法题)二叉树剪枝814. 二叉树剪枝 - 力扣（LeetCode）核心逻辑：自底向上检查每棵子树，只有全零叶子节点才被移除。

【递归、搜索与回溯】专题三穷举vs暴搜vs回溯vs剪枝题目链接题目链接方法一方法二

king of code porter

深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（1）随着深度学习的发展，模型参数量和计算量呈指数级增长。以ResNet18为例，其在ImageNet上的参数量约为1100万，虽然在服务器端运行流畅，但在移动端或嵌入式设备上部署时，内存和计算资源的限制使得直接使用大模型变得困难。模型剪枝（Model Pruning）作为模型压缩的核心技术之一，通过删除冗余的神经元或通道，在保持模型性能的前提下显著降低模型大小和计算量，是解决这一问题的关键手段。在前面一篇文章我们也提到了模型压缩的一些基本定义和核心原理：《深度学习之模型压缩三驾马车：模型剪枝、模型量化、知识

Espresso Macchiato

Leetcode 3568. Minimum Moves to Clean the Classroom这一题我的核心思路就是广度优先遍历遍历+剪枝。显然，我们可以给出一个广度优先遍历来给出所有可能的走法直至无法继续或者捡完所有垃圾。

机器学习：决策树和剪枝决策树（decision tree）是一种监督学习算法，是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果。

力扣第452场周赛Q1. 等积子集的划分方案给你一个整数数组 nums，其中包含的正整数互不相同，另给你一个整数 target。