[Attention] 超级视客营 MMRazor 🚀🚀🚀

[HIT-cwh]

活动介绍

大家好，第一期 OpenMMLab 超级视客营实训活动开始啦！超级视客营实训活动提供十七个方向、上百个不同难度的任务供大家选择，不管你是初涉 AI 的新手还是资深炼丹师，都有适合你的任务供你选择。助力大家上手 OpenMMLab 开源算法库并参与项目建设。本期活动联合北京超级云计算中心，提供算力支持，为大家开发保驾护航。

活动参与方式：选择你感兴趣的任务，在 OpenMMLab 官网提交报名表。完成匹配后，即可和导师对接制定任务规划，开始上手开发。根据不同任务要求在对应的地址提交代码结果，出题方初步 review 通过后即可领取下一个任务或者坐等领奖。活动详情戳：OpenMMLab 官网活动页。

任务列表

任务题目	任务描述	技术标签	难易程度	积分数
测试 MMRazor 通道依赖解析工具在 MMPOSE 上的鲁棒性	MMRazor拥有一套对模型通道依赖进行自动化解析的工具，以对模型进行剪。现需要在OpenMMLab各个repo上测试该项功能的鲁棒性，并进行简单的适配, 适配指南。	熟悉 python，PyTorch	基础任务	20
测试 MMRazor 通道依赖解析工具在 MMRotate 上的鲁棒性	MMRazor拥有一套对模型通道依赖进行自动化解析的工具，以对模型进行剪。现需要在OpenMMLab各个repo上测试该项功能的鲁棒性，并进行简单的适配。 适配指南。	熟悉 python，PyTorch	基础任务	20
测试 MMRazor 通道依赖解析工具在 MMFlow 上的鲁棒性	MMRazor拥有一套对模型通道依赖进行自动化解析的工具，以对模型进行剪。现需要在OpenMMLab各个repo上测试该项功能的鲁棒性，并进行简单的适配。适配指南。	熟悉 python，PyTorch	基础任务	20
MovingAverageMinMaxObserver	参照pytorch中的MovingAverageMinMaxObserver，进行mmrazor的功能适配	熟悉 python，PyTorch	基础任务	20
FixedQParamsObserver	参照pytorch中的FixedQParamsObserver，进行mmrazor的功能适配	熟悉 python，PyTorch	基础任务	20
FixedQParamsFakeQuantize	参照 pytorch 中的 FixedQParamsFakeQuantize，进行 mmrazor 的功能适配	熟悉 python，PyTorch	基础任务	20
FusedMovingAvgObsFakeQuantize	参照 pytorch 中的 FusedMovingAvgObsFakeQuantize， 进行 mmrazor 的功能适配	熟悉 python，PyTorch	基础任务	20
AT ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
SP ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Similarity-Preserving Knowledge Distillation 参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
CC ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法： Correlation Congruence for Knowledge Distillation 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
VID ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Variational Information Distillation for Knowledge Transfer 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
PKT ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Probabilistic Knowledge Transfer for deep representation learning 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
AB ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Knowledge Transfer via Distillation of Activation Boundaries Formed by Hidden Neurons 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
FT ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Paraphrasing Complex Network: Network Compression via Factor Transfer 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
FSP ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50
NST ( cifar 数据集上的 kd 算法)	复现分类蒸馏算法：Like what you like: knowledge distill via neuron selectivity transfer 可参考源码：https://github.com/HobbitLong/RepDistiller 目标：在 cifar 数据集上复现精度	熟悉 python，PyTorch	中等任务	50

活动报名地址：报名表地址

根据任务难度可以获得对应积分，兑换不同奖品。另外完成任务后在知识社区发布学习心得即可获得额外积分（记得主动找小助手领取哦）。

活动交流群：群二维码

有任何疑问欢迎大家加入群聊或者 Issue 下参与讨论，快来完成挑战，加入 OpenMMLab 贡献者队伍吧～

[mm-assistant]

We recommend using English or English & Chinese for issues so that we could have broader discussion.