2）结构化剪枝将通道全部置0了，理论上可以去掉这个通道，比如上方的(1,16,6,6)卷积核可以去掉5个0值通道后，变成(1,11,6,6)。效果如下，这是模型中第一个卷积的权重，经过剪枝后，权重矩阵中有很多都被置0了，模型的大小也降低了一半。经过结构化剪枝后，对(1,16,6,6)的卷积核，统计16个通道权重值，可以看到有16*0.3=4.8≈5个通道置0了。模型剪枝的定义就不再赘述，剪枝就是将

公钥则可以解决该问题，将私钥放在本地，公钥放在gitee上，当对项目进行操作时带有的私钥会在gitee和公钥进行验证，避免了手动输入密码的过程。gitee中可以创建私有项目，但是在clone或者push都需要输入密码， 比较繁琐。

0. 前言首先明确几个概念：人脸检测：是指图片中是否存在人脸，若存在则返回人脸在图中的位置坐标人脸验证：验证即验证是否为某人，比如FaceID解锁，手机不需要得出你是谁的结论，只需要验证你是否和手机预存录入的人脸是同一个人。同样使用身份证近火车站，身份验证时是完成你的脸和身份证上的脸是否为同一人。人脸识别：人脸识别则是要得出你是谁。比如上班人脸打卡机，需要预先将你和你同事的人脸录入进数据库储存，上

ImageNet不用多说，它包含了非常多的图片，总共有2w多个分类，但是显然太多。所以一般更常用的是ImageNet1K数据集，该数据集包含1000个类别。

模型可视化是通过直观方式查看我们模型的结构。通常我们使用pytorch定义的网络模型都是代码堆叠，实现的和我们想象的是否一致呢，除了细致推敲代码外，直接通过图的方式展示出来更加直观。在这里介绍HiddenLayer和netron进行模型可视化，HiddenLayer是可以直接对pt模型进行可视化的，而netron无法直接可视化pt模型，所以我们通过将pt转为onnx模型，再通过netron进行可视

保存后再次dpkg安装。

保存后再次dpkg安装。

重启Ubuntu后，系统自动进入tty1，无法进入桌面。想到前几天安装了一些主题之类的，然后今天才重启，可能是这些主题造成冲突或者问题了把。，我之前使用的清华源，apt install全部提示依赖不满足，换成官方源就正常安装了。注意：源要改成官方的源，参考。

1. 图片文件转base642. base64转图片（保存为文件）一个前提，base64以二进制数据存储，所以在下方的代码中，特别是使用open()来读写文件时，都使用了’b’模式；通常一个令人抓狂的问题就是二进制和字符串的问题导致无法正常解码出图片一个小技巧就是当解码（base64转图片）失败时，看看待解码的数据是否为“bytes”类型（“str”会导致解码失败）1. 图片文件转base64wi

本文为了解决CNN难以提取有效特征、网络模型参数复杂等问题，提出了一种多尺度融合注意力机制网络MIANet。首先引入Inception结构来图区多尺度特征信息，使用ECA注意力模块加强特征表征能力，使用深度可分离卷积减少网络参数。最终在FER2013和CK+上分别取得72.28%和95.76%的准确率。值得学习的是三种模块在CNN中的插入位置，其他的看看就行。