pytorch_resnet_cifar10

تطبيق RESNET المناسب لـ CIFAR10/CIFAR100 في Pytorch

توفر حديقة حيوان TorchVision Model عدد من تطبيقات مختلف البنى الحديثة ، ومع ذلك ، يتم تعريف معظمها وتنفيذها لـ ImageNet. عادة ما يكون من السهل استخدام النماذج المقدمة على مجموعات البيانات الأخرى ، ولكن بعض الحالات تتطلب الإعداد اليدوي.

على سبيل المثال ، يوفر عدد قليل جدًا من مستودعات Pytorch مع Resnets على CIFAR10 التنفيذ كما هو موضح في الورقة الأصلية. إذا كنت تستخدم فقط طرز TorchVision على CIFAR10 ، فستحصل على النموذج الذي يختلف في عدد الطبقات والمعلمات . هذا أمر غير مقبول إذا كنت ترغب في مقارنة Resnet-S مباشرة على CIFAR10 مع الورقة الأصلية. الغرض من هذا الريبو هو توفير تطبيق Pytorch صالح لـ Resnet-S لـ CIFAR10 كما هو موضح في الورقة الأصلية. يتم توفير النماذج التالية:

اسم	# طبقات	# params	اختبار err (ورقة)	اختبار err (هذا ضمني)
RESNET20	20	0.27m	8.75 ٪	8.27 ٪
RESNET32	32	0.46m	7.51 ٪	7.37 ٪
RESNET44	44	0.66m	7.17 ٪	6.90 ٪
RESNET56	56	0.85m	6.97 ٪	6.61 ٪
RESNET110	110	1.7m	6.43 ٪	6.32 ٪
RESNET1202	1202	19.4m	7.93 ٪	6.18 ٪

يطابق هذا التنفيذ وصف الورقة الأصلية ، مع خطأ اختبار مماثل أو أفضل.

كيف تركض؟

git clone https://github.com/akamaster/pytorch_resnet_cifar10
cd pytorch_resnet_cifar10
chmod +x run.sh && ./run.sh

تفاصيل التدريب

يتبع تنفيذنا الورقة بطريقة مباشرة مع بعض التحذيرات: أولاً ، يستخدم التدريب في الورقة تقسيم 45K/5K للقطار/الصحة على بيانات القطار ، ويختار أفضل نموذج أداء استنادًا إلى الأداء في مجموعة التحقق من الصحة. نحن لا نجري اختبار التحقق من الصحة ؛ إذا كنت بحاجة إلى مقارنة نتائجك على Resnet وجهاً لوجه مع الورقة الزراعية ، ضع ذلك في الاعتبار. ثانياً ، إذا كنت ترغب في تدريب Resnet1202 ضع في اعتبارك أنك تحتاج إلى ذاكرة 16 جيجابايت على GPU.

نماذج مسبقة للتنزيل

1. RESNET20 ، 8.27 ٪ خطأ
2. RESNET32 ، 7.37 ٪ err
3. RESNET44 ، 6.90 ٪ خطأ
4. RESNET56 ، 6.61 ٪ err
5. RESNET110 ، 6.32 ٪ err
6. RESNET1202 ، 6.18 ٪ err

إذا وجدت هذا التنفيذ مفيدًا وترغب في الاستشهاد/ذكر هذه الصفحة ، فإليك اقتباس bibtex:

 @misc { Idelbayev18a ,
  author       = " Yerlan Idelbayev " ,
  title        = " Proper {ResNet} Implementation for {CIFAR10/CIFAR100} in {PyTorch} " ,
  howpublished = " url{https://github.com/akamaster/pytorch_resnet_cifar10} " ,
  note         = " Accessed: 20xx-xx-xx "
}