目录结构1、背景介绍2、数据采集3、网络设计4、网络训练5、网络部署6、总结1、背景介绍最近采购了一块新的树莓派，迫不及待的想要在树莓派上实现一个实时的手势识别。从算法的角度讲，并不是太难；但是从工程的角度来说，主要有两个难点，一是手势数据的采集。大家都知道，深度学习的高精度离不开大量的训练数据，网络设计的再好，没有足够的数据是不行的。因此要想实现一个好的手势识别，采集数据就成了一个比较重要的难点

前言众所周知，Pytorch是一个非常流行且深受好评的深度学习训练框架。这与它的两大特性“动态图”、“自动微分”有非常大的关系。“动态图”使得pytorch的调试非常简单，每一个步骤，每一个流程都可以被我们精确的控制、调试、输出。甚至是在每个迭代都能够重构整个网络。这在其他基于静态图的训练框架中是非常不方便处理的。在静态图的训练框架中，必须先构建好整个网络，然后开始训练。如果想在训练过程中输出中间

目录结构1、背景介绍2、提升精度措施3、降低计算量措施shufflenet_se网络shufflenet_sk网络shufflenet_liteconv网络shufflenet_k5网络shufflenet_csp网络4、实验测试5、总结所有网络开源地址：https://github.com/DL-Practise/ShufflenetV2_PLUS更多DL相关实践，请关注公众号"DL工程实践".

目录结构1、轻量级网络概述2、官方数据对比2、实验对比3、实验结论如果嫌累，直接跳到第三部分，看实验结论1、轻量级网络概述常规的CNN推理，由于需要很大的计算量，很难应用在移动端，物联网等资源受限的场景中。只有通过复杂的裁剪，量化才有可能勉强部署到移动端。从Squeezenet，MobileNet v1开始，CNN的设计开始关注资源受限场景中的效率问题。经过几年的发展，目前比较成熟的轻量级网络有：

这篇主要是针对深度学习原理进行一个简单的介绍。让大家了解一下这个NBHH的方法到底是怎么实现的。然后介绍一下如何把深度学习应用在这个无人驾驶小车DIY项目上面。开 始之前，我想先让大家屡清楚三个重要的概念。AI（人工智能）、机器学习、深度学习。可以这么理解，AI可以看做是一个目的，让机器能够做一些以往只有人 才能做的智能的工作，这个概念其实在很久很久之前普斯茅斯会议上就已经提出...