推理优化产品系统

该实验面向深度学习模型推理优化，适用于边缘设备、移动端、工业视觉检测、智能摄像头等算力和延迟受限场景。

项目用 CIFAR-10 图像分类任务验证 ResNet-34 的结构化剪枝效果，对比完整模型和剪枝模型的准确率、FLOPs、参数量和推理耗时，成功优化了算法效率

代码基于 PyTorch 实现，`resnet.py` 定义 CIFAR 版 ResNet，`utils.py` 负责数据加载和精度评估，`main.py` 加载预训练权重后按卷积核 L1 范数保留重要 filter，剪掉约一半通道，再通过 SGD 微调恢复精度。当前完整模型约 `21.28M` 参数、`1.16G` FLOPs；剪枝后约 `5.33M` 参数、`0.29G` FLOPs。notebook 记录显示微调 160 轮后精度恢复到约 `91.84%`。