网上一直没找到特别详细易懂的解析，所以现在自己整理一个。其他的都简单，主要是理解prominence的用法，因为它最好用。scipy.signal.find_peaks 函数中的 `prominence` 参数用于设置峰值的突出度阈值。突出度衡量的是峰在信号周围基线上的突出程度，即峰与其最低等高线之间的垂直距离。只有突出度大于或等于所设阈值的峰值才会被检测出。

剪枝比例：设置剪枝比例，如将模型的参数量减少到原来的一定比例（如减少到80%），以减小模型规模，提升推理速度。迭代步骤：确定剪枝的迭代步骤，如分4次迭代完成剪枝，逐步减少模型的参数量。目标剪枝率：设置目标剪枝率，如剪枝率为20%，即剪除20%的参数或通道。# 保存剪枝性能图try:except:pass功能：保存剪枝过程中的性能变化图，包括mAP（平均精度均值）和MACs（乘加运算次数）。参数x：

用一个案例直观的感受一下两者训练模型，在各方面情况的对比。下文中，上图为CPU（intel core i7-6700HQ），下图为GPU（RTX A4000）。

剪枝比例：设置剪枝比例，如将模型的参数量减少到原来的一定比例（如减少到80%），以减小模型规模，提升推理速度。迭代步骤：确定剪枝的迭代步骤，如分4次迭代完成剪枝，逐步减少模型的参数量。目标剪枝率：设置目标剪枝率，如剪枝率为20%，即剪除20%的参数或通道。# 保存剪枝性能图try:except:pass功能：保存剪枝过程中的性能变化图，包括mAP（平均精度均值）和MACs（乘加运算次数）。参数x：

用一个案例直观的感受一下两者训练模型，在各方面情况的对比。下文中，上图为CPU（intel core i7-6700HQ），下图为GPU（RTX A4000）。

用一个案例直观的感受一下两者训练模型，在各方面情况的对比。下文中，上图为CPU（intel core i7-6700HQ），下图为GPU（RTX A4000）。

模型训练结束后，在终端会显示一些总结的参数信息，现对这些信息详细说明。