Início Projetos ShuffleNet
ShuffleNet
Python

ShuffleNet

Implementação ShuffleNet em TensorFlow

por MG2033 · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
classificationcomputer-visiondeep-learningApache-2.0Python
Ver no GitHub
Em palavras simples

Execute uma versão leve do ShuffleNet para classificação de imagens em dispositivos móveis usando TensorFlow.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
ShuffleNet — GitHub preview card
📈 Histórico de estrelas
382381
2026-07-202026-08-31
📈 Acompanhe ShuffleNet

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Implementação ShuffleNet em TensorFlow

ShuffleNet tem 381 estrelas no GitHub. Foi bifurcado 124 vezes. ShuffleNet é escrito principalmente em Python. Está em desenvolvimento ativo desde 2017. ShuffleNet está disponível sob a licença Apache-2.0. Os seus principais temas são: classification, computer-vision, deep-learning, group-convolution.

Frequently asked questions

O que é ShuffleNet?

Implementação ShuffleNet em TensorFlow

ShuffleNet é de código aberto?

ShuffleNet é um projeto de código aberto. É distribuído sob a licença Apache-2.0.

ShuffleNet é gratuito?

Sim. ShuffleNet é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está ShuffleNet?

ShuffleNet está disponível sob a licença Apache-2.0.

Em que linguagem ShuffleNet está escrito?

ShuffleNet é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — ShuffleNet

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=mg2033-shufflenet)](https://olud.ai/project/mg2033-shufflenet.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.