剪枝

权重修剪（Pruning）和量化（Quantization）权重修剪（Pruning）和量化（Quantization）都是深度学习模型压缩和加速的重要技术，它们都能减少模型大小和计算复杂度，但方式和原理不同：

DFS+回溯+剪枝（深度优先搜索）——搜索算法DFS也就是深度优先搜索，比如二叉树的前，中，后序遍历都属于DFS。其本质是递归，要学好DFS首先需要掌握递归。接下来咱们就一起来学习DFS涉及的算法。

穷举vs暴搜vs深搜vs回溯vs剪枝系列一＞不同路径 III

穷举vs暴搜vs深搜vs回溯vs剪枝系列一＞黄金矿工

【回溯+剪枝】单词搜索，你能用递归解决吗？79. 单词搜索给定一个 m x n 二维字符网格 board 和一个字符串单词 word 。如果 word 存在于网格中，返回 true ；否则，返回 false 。

回溯算法中关于剪枝的一些应用衔接上篇（ ^ _ ^ ）剪枝优化是回溯算法中一种重要的优化手段，其核心思想是提前终止无效的递归分支，避免无意义的搜索，从而大幅减少计算量。通过合理剪枝，可以将指数级的时间复杂度降低到更优的水平。

【回溯+剪枝】优美的排列 && N皇后(含剪枝优化)526. 优美的排列假设有从 1 到 n 的 n 个整数。用这些整数构造一个数组 perm（下标从 1 开始），只要满足下述条件之一，该数组就是一个优美的排列：

穷举vs暴搜vs深搜vs回溯vs剪枝系列一＞单词搜索

【回溯+剪枝】组合问题！77. 组合给定两个整数 n 和 k，返回范围 [1, n] 中所有可能的 k 个数的组合。你可以按任何顺序返回答案。

【算法】回溯算法专题② ——组合型回溯 + 剪枝 python【算法】回溯算法专题① ——子集型回溯 python组合https://leetcode.cn/problems/combinations/submissions/596357179/

【回溯+剪枝】找出所有子集的异或总和再求和 && 全排列Ⅱ1863. 找出所有子集的异或总和再求和一个数组的异或总和定义为数组中所有元素按位 XOR 的结果；如果数组为空，则异或总和为 0 。

LeetCode：40. 组合总和 II（回溯 + 剪枝 Java）目录40. 组合总和 II题目描述：实现代码与解析：回溯 + 剪枝原理思路：给定一个候选人编号的集合 candidates 和一个目标数 target ，找出 candidates 中所有可以使数字和为 target 的组合。

YOLOv8源码修改（4）- 实现YOLOv8模型剪枝（任意YOLO模型的简单剪枝）目录前言1. 需修改的源码文件1.1添加C2f_v2模块1.2 修改模型读取方式1.3 增加 L1 正则约束化训练

【二叉树的深搜】二叉树剪枝814. 二叉树剪枝给你二叉树的根结点 root ，此外树的每个结点的值要么是 0 ，要么是 1 。返回移除了所有不包含 1 的子树的原二叉树。

论文Learning Efficient Convolutional Networks through Network Slimming(剪枝相关)我们将缩放因子（从批量归一化层重用）与卷积层中的每个通道相关联。在训练过程中对这些缩放因子进行稀疏正则化，以自动识别不重要的通道。缩放因子值较小的通道（橙色）将被修剪（左侧）。修剪后，我们获得紧凑的模型（右侧），然后对其进行微调以达到与正常训练的完整网络相当（甚至更高）的精度。

【专题三:穷举vs暴搜vs深搜vs回溯vs剪枝】46. 全排列1.首先画出决策树，越详细越好2.设计代码

【专题二二叉树中的深搜】814. 二叉树剪枝通过决策树，抽象出递归的三个核心问题这个问题要减去该节点，必须左子树全为0，右子树全为0，再判断该节点，则相当于一个后序遍历

Yolov8 目标检测剪枝学习记录最近在进行YOLOv8系列的轻量化，目前在网络结构方面的优化已经接近极限了，所以想要学习一下模型剪枝是否能够进一步优化模型的性能这里主要参考了torch-pruning的基本使用，v8模型剪枝，Jetson nano部署剪枝YOLOv8 下面只是记录一个简单流程，用于后续使用在自己的任务和网络中，数据不作为参考

穷举vs暴搜vs深搜vs回溯vs剪枝系列一＞优美的排列题目：解析：部分决策树：代码设计：代码：

深度学习blog-剪枝和知识蒸馏深度学习网络模型从卷积层到全连接层存在着大量冗余的参数，大量神经元激活值趋近于0，将这些神经元去除后可以表现出同样的模型表达能力，这种情况被称为过参数化。因此需要一些技术手段减少模型的复杂性，去除一些不重要的参数和连接，从而提高模型在推理阶段的效率，减少存储需求，同时可能还能够降低过拟合的风险。