تنزيل senet.pytorch - تنزيل رمز senet.pytorch

senet.pytorch

بايثون

To attach weight

تنزيل

Senet.pytorch

تنفيذ Senet ، المقترح في شبكات الضغط والإثارة من قبل Jie Hu و Li Shen و Gang Sun ، وهما الفائزون في مسابقة تصنيف ILSVRC 2017.

الآن يتم تنفيذ SE-RESNET (18 ، 34 ، 50 ، 101 ، 152/20 ، 32) و SE-Inception-V3.

python cifar.py يعمل SE-RESNET20 مع مجموعة بيانات CIFAR10.
python imagenet.py و python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py Run se -resnet50 مع Dataset ImageNet (2012) ،
- تحتاج إلى إعداد مجموعة البيانات بنفسك في ~/.torch/data أو تعيين enviroment متغير IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- أول تنزيل الملفات ثم اتبع التعليمات.
- يتم إصلاح عدد العمال وبعض المعلمات المفرطة ، لذا تحقق وتغييرها إذا كنت بحاجة.
- يستخدم هذا البرنامج النصي جميع وحدات معالجة الرسومات المتاحة. لتحديد وحدات معالجة الرسومات ، استخدم متغير CUDA_VISIBLE_DEVICES . (على سبيل المثال CUDA_VISIBLE_DEVICES=1,2 لاستخدام GPU 1 و 2)

بالنسبة إلى SE-Inception-V3 ، يكون حجم الإدخال مطلوبًا أن يكون 299x299 كإياص أصلي.

ما قبل التردد

يتم اختبار قاعدة كود في الإعداد التالي.

بيثون> = 3.8
Pytorch> = 1.6.0
torchvision> = 0.7

للتدريب

لتشغيل cifar.py أو imagenet.py ، تحتاج

pip install git+https://github.com/moskomule/[email protected]

مَركَز

يمكنك استخدام بعض se-ringnet ( se_resnet{20, 56, 50, 101} ) عبر torch.hub .

 import torch . hub
hub_model = torch . hub . load (
    'moskomule/senet.pytorch' ,
    'se_resnet20' ,
    num_classes = 10 )

أيضا ، يتوفر نموذج SE-RESNET50 المسبق.

 import torch . hub
hub_model = torch . hub . load (
    'moskomule/senet.pytorch' ,
    'se_resnet50' ,
    pretrained = True ,)

نتائج

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

لاحظ أنه من المتوقع أن تكون مجموعة بيانات CIFAR-10 تحت ~/.torch/data .

	RESNET20	SE-RESNET20 (التخفيض 4 أو 8)
الأعلى. دقة الاختبار	92 ٪	93 ٪

SE-RESNET50/ImageNet

 python [-m torch.distributed.launch --nproc_per_node=${NUM_GPUS}] imagenet.py

الخيار [-M ...] هو التدريب الموزع. لاحظ أنه من المتوقع أن تكون مجموعة بيانات ImageNet ضمن ~/.torch/data أو محددة كـ IMAGENET_ROOT=${PATH_TO_IMAGENET} .

يختلف معدل التعلم الأولي وحجم الدفعة المصغرة عن الإصدار الأصلي بسبب المورد الحسابي .

	Resnet	se-resnet
الأعلى. دقة الاختبار (TOP1)	76.15 ٪ (*)	77.06 ٪ (**)

(*): resnet-50 في torchvision
(**): عند استخدام imagenet.py مع الإعداد --distributed على 8 وحدات معالجة الرسومات. الوزن متاح.

 # !wget https://github.com/moskomule/senet.pytorch/releases/download/archive/seresnet50-60a8950a85b2b.pkl

senet = se_resnet50 ( num_classes = 1000 )
senet . load_state_dict ( torch . load ( "seresnet50-60a8950a85b2b.pkl" ))