写在开篇说的太对了：开源很多，拒绝拿来主义，需要懂得如何优化模型
如计算机视觉领域有：场景重构、对象检测、事件检测、视频追踪、对象识别、三维姿态估计、运动姿态估计、图像修复等，每一个领域都在应用深度学习模型来解决实际的问题。
1.模型结构优化
基于深度和参数量、基于宽度和多尺度、基于残差连接
2.模型性能优化
基于不规则卷积、基于注意力机制、基于Transformer
3.模型训练优化
模型量化：如将浮点型存储转化为8bit、4bit、2bit存储时
模型剪枝：很多神经网络模型都是过参数化，有很多冗余信息，可以采用适当的方法删除（剪枝策略）
知识蒸馏（模型蒸馏）：量化、剪枝都是从性能方面优化，而知识蒸馏可以直接使用一个很小的网络，得到更好的精度。知识蒸馏的目的就是保证小模型在参数量不变的情况下，得到比较大的性能提升，甚至获得与大模型相似的精度指标。
4.模型自动搜索
神经网络结构自动搜索：给定数据集输入和基本配置，它就能够针对该数据集找到最适合的神经网络结构，并且给出最佳的超参数。
其中一种实现方法：使用PaddleSlim框架中SANAS方法
常用工具分享：
skimage：图像处理和计算机视觉算法的集合工具包
opencv：图像处理和计算机视觉算法的集合工具包
imgaug：图像数据增强工具
NumPy：科学计算基础软件包，可以存储和处理大型矩阵及其运算，最常用的科学计算库之一
SciPy：科学计算核心库，基于NumPy；主要有助于解决线性代数、概率论和积分计算等任务
Pandas：提供诸多高级数据结构和分析工具，适用于绝大多数数据类竞赛
Scikit-learn：基于NumPy和SciPy的数据处理库，最常见的机器学习和数据挖掘任务算法工具之一
Albumentations：图像数据增强工具
Augmentor：图像数据增强工具
Matplotlib：创建二维图表和图形库，目前很多流行的绘图库都是基于它构建（例如seaborn）
VisualDL：飞桨可视化分析工具，拥有丰富的图表和图形，为飞桨训练提供最直观地可视化帮助，进而实现高效模型优化
paddledetection, paddleclas, paddleseg, mmdetection, detectron等：各大平台开源的快速上手的训练框架