本文共 938 字，大约阅读时间需要 3 分钟。

    该课程详细讲解如何使用TensorRT来优化Tensorflow训练的深度学习模型。我们选择了LeNet模型和YOLOv3模型作为例子，与原始模型相比，优化后的模型速度分别提高了3.7倍和1.5倍。有关详细信息以及如何运行代码，请参阅具体课程视频。

    文末附课程全套视频下载地址。

课程目录

        1、将Tensorflow模型优化为TensorRT

        2、在TensorRT优化之前和之后可视化

        3、优化Keras模型到TensorRT

        4、使用您自己的数据集训练Keras模型

        5、恢复并使用存储的Keras模型执行推理

        6、使用TensorRT优化YOLOv3

        7、另一个YOLOv3检测结果（原生Tensorflow与TensorRT优化）

代码及实验数据下载地址：        

       https://github.com/ardianumam/Tensorflow-TensorRT

课程使用运行库及版本:

        1、Tensorflow 1.12 (Dekstop) and Tensorflow 1.11 (Jetson TX2)

        2、OpenCV 3.4.5

        3、Pillow 5.2.0

        4、Numpy 1.15.2

        5、Matplotlib 3.0.0

课程中使用的运行环境：

  Dekstop PC

        1、OS: Ubuntu 16.04 - 64bit

        2、GPU: GeForce 1060 6Gb

        3、Driver version: 384.130

        4、RAM: 16Gb

        5、CUDA: 9.0

        6、CuDNN: 7

        7、TensorRT: 4.1.2

        8、Python: 64-bit, version 3.5

 Jetson TX2

        1、OS: Ubuntu 16.04 - 64bit

        2、GPU (with RAM shared): 8Gb

        3、Driver version: Given along flashing with Jetpack 3.3

        4、CUDA: 9.0

        5、CuDNN: 7

        6、TensorRT: 4.1.3

        7、Python: 64-bit, version 3.5

课程视频下载地址

公众号回复关键字“rt2019”获取下载地址。

往期精品内容推荐

转载地址：https://lqfarmer.blog.csdn.net/article/details/100178743 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！