PytorchInsight
1.0.0
هذا هو pytorch lib مع أحدث البنى ، والنماذج المسبقة والنتائج المحدثة في الوقت الحقيقي.
يهدف هذا المستودع إلى تسريع تقدم أبحاث التعلم العميق ، وجعل النتائج القابلة للتكرار وأسهل لإجراء الأبحاث ، وفي Pytorch.
- سينت: شبكات الضغط والإثارة (ورقة)
- Sknet: شبكات kernel الانتقائية (ورقة)
- CBAM: وحدة انتباه الكتلة التلافيفية (ورقة)
- GCNET: GCNET: شبكات غير محلية تلبية شبكات الإثارة في الضغط وما وراءها (ورقة)
- BAM: وحدة انتباه عنق الزجاجة (ورقة)
- SGENET: تعزيز المجموعة المكانية: تعزيز تعلم الميزة الدلالية في الشبكات التلافيفية (ورقة)
- SRMNET: SRM: وحدة إعادة المعايرة القائمة على الأسلوب للشبكات العصبية التلافيفية (ورقة)
- Octnet: إسقاط أوكتاف: تقليل التكرار المكاني في الشبكات العصبية التلافيفية مع الالتفاف الأوكتاف (ورقة)
- ImageNet_tricks.py: حقيبة من الحيل لتصنيف الصور مع الشبكات العصبية التلافيفية (ورقة)
- فهم التنافر بين عائلة تطبيع الوزن وتسوس الوزن: Elected L2 Protectizer (للظهور)
- المنظم المقيد بالتعميم: إطار موحد لفهم تحلل الوزن (للظهور)
- مزيج: ما وراء التقليل من المخاطر التجريبية (ورقة)
- Cutmix: استراتيجية التنظيم لتدريب المصنفات القوية بميزات قابلة للترجمة (ورقة)
خطأ في التحقق من صحة المحاصيل الواحدة على ImageNet-1K (Center 224x224 محصول من الصورة المقيدة مع جانب أقصر = 256).
| إعدادات التدريب على التصنيف للوسائط والنماذج الكبيرة | |
|---|---|
| تفاصيل | عشوائيات ، عشوائي ، عشوائيون. 0.1 init LR ، إجمالي 100 حقبة ، تتحلل في كل 30 عصر ؛ SGD مع خسارة الانتروبيا الناعمة الساذجة ، 1E-4 انحلال الوزن ، 0.9 زخم ، 8 وحدات معالجة الرسومات ، 32 صورة لكل وحدة معالجة الرسومات |
| أمثلة | RESNET50 |
| ملحوظة | يضيف أحدث رمز عملية افتراضية واحدة: إعداد جميع التحيز WD = 0 ، يرجى الرجوع إلى التحليل النظري لـ "Ponstrity Bound Protectizer: إطار موحد لفهم تحلل الوزن" (للظهور) ، وبالتالي يمكن تعزيز دقة التدريب |
| إعدادات التدريب على التصنيف للنماذج المتنقلة/الصغيرة | |
|---|---|
| تفاصيل | عشوائيات ، عشوائي ، عشوائيون. 0.4 init LR ، إجمالي 300 حقبة ، 5 عصر الاحماء الخطية ، جيب التمام LR ؛ SGD مع فقدان الانتروبيا المتقاطع softmax وتنعيم التسمية 0.1 ، 4e-5 تسوس الوزن على أوزان القناص ، 0 تسوس الوزن على جميع الأوزان الأخرى ، 0.9 زخم ، 8 وحدات معالجة الرسومات ، 128 صورة لكل وحدة معالجة الرسومات |
| أمثلة | Shufflenetv2 |
python -m torch.distributed.launch --nproc_per_node=8 imagenet_mobile.py --cos -a shufflenetv2_1x --data /path/to/imagenet1k/
--epochs 300 --wd 4e-5 --gamma 0.1 -c checkpoints/imagenet/shufflenetv2_1x --train-batch 128 --opt-level O0 --nowd-bn # Triaing
python -m torch.distributed.launch --nproc_per_node=2 imagenet_mobile.py -a shufflenetv2_1x --data /path/to/imagenet1k/
-e --resume ../pretrain/shufflenetv2_1x.pth.tar --test-batch 100 --opt-level O0 # Testing, ~69.6% top-1 Acc
python -W ignore imagenet.py -a sge_resnet101 --data /path/to/imagenet1k/ --epochs 100 --schedule 30 60 90
--gamma 0.1 -c checkpoints/imagenet/sge_resnet101 --gpu-id 0,1,2,3,4,5,6,7 # Training
python -m torch.distributed.launch --nproc_per_node=8 imagenet_fast.py -a sge_resnet101 --data /path/to/imagenet1k/
--epochs 100 --schedule 30 60 90 --wd 1e-4 --gamma 0.1 -c checkpoints/imagenet/sge_resnet101 --train-batch 32
--opt-level O0 --wd-all --label-smoothing 0. --warmup 0 # Training (faster)
python -W ignore imagenet.py -a sge_resnet101 --data /path/to/imagenet1k/ --gpu-id 0,1 -e --resume ../pretrain/sge_resnet101.pth.tar
# Testing ~78.8% top-1 Acc
python -m torch.distributed.launch --nproc_per_node=2 imagenet_fast.py -a sge_resnet101 --data /path/to/imagenet1k/ -e --resume
../pretrain/sge_resnet101.pth.tar --test-batch 100 --opt-level O0 # Testing (faster) ~78.8% top-1 Acc
python -m torch.distributed.launch --nproc_per_node=8 imagenet_fast.py -a ws_resnet50 --data /share1/public/public/imagenet1k/
--epochs 100 --schedule 30 60 90 --wd 1e-4 --gamma 0.1 -c checkpoints/imagenet/es1e-3_ws_resnet50 --train-batch 32
--opt-level O0 --label-smoothing 0. --warmup 0 --nowd-conv --mineps 1e-3 --el2
لاحظ أن النتائج التالية (القديمة) لا تحدد التحيز wd = 0 للنماذج الكبيرة
| نموذج | #P | gflops | أعلى 1 ACC | أعلى 5 ACC | Download1 | تنزيل 2 | سجل |
|---|---|---|---|---|---|---|---|
| Shufflenetv2_1x | 2.28 م | 0.151 | 69.6420 | 88.7200 | Googledrive | Shufflenetv2_1x.log | |
| RESNET50 | 25.56 م | 4.122 | 76.3840 | 92.9080 | Baidudrive (Zuvx) | Googledrive | old_resnet50.log |
| SE-RESNET50 | 28.09m | 4.130 | 77.1840 | 93.6720 | |||
| SK-RESNET50* | 26.15m | 4.185 | 77.5380 | 93.7000 | Baidudrive (TFWN) | Googledrive | sk_resnet50.log |
| BAM-RESNET50 | 25.92m | 4.205 | 76.8980 | 93.4020 | Baidudrive (Z0H3) | Googledrive | bam_resnet50.log |
| CBAM-RESNET50 | 28.09m | 4.139 | 77.6260 | 93.6600 | Baidudrive (Bram) | Googledrive | CBAM_RESNET50.LOG |
| SGE-RESNET50 | 25.56 م | 4.127 | 77.5840 | 93.6640 | Baidudrive (GXO9) | Googledrive | sge_resnet50.log |
| RESNET101 | 44.55 م | 7.849 | 78.2000 | 93.9060 | Baidudrive (JS5T) | Googledrive | old_resnet101.log |
| SE-RESNET101 | 49.33m | 7.863 | 78.4680 | 94.1020 | Baidudrive (J2OX) | Googledrive | se_resnet101.log |
| SK-RESNET101* | 45.68m | 7.978 | 78.7920 | 94.2680 | Baidudrive (boii) | Googledrive | sk_resnet101.log |
| BAM-RESNET101 | 44.91m | 7.933 | 78.2180 | 94.0180 | Baidudrive (4BW6) | Googledrive | bam_resnet101.log |
| CBAM-RESNET101 | 49.33m | 7.879 | 78.3540 | 94.0640 | Baidudrive (SYJ3) | Googledrive | CBAM_RESNET101.LOG |
| SGE-RESNET101 | 44.55 م | 7.858 | 78.7980 | 94.3680 | Baidudrive (WQN6) | Googledrive | sge_resnet101.log |
هنا SK-RESNET* هو نسخة معدلة (لمزيد من المقارنة العادلة مع العمود الفقري RESNET هنا) من Sknet الأصلي. أداء Sknets الأصلي أقوى ، ويمكن إحالة إصدار Pytorch في ppplang-sknet.
| نموذج | #P | gflops | كاشف | رقبة | AP50: 95 (٪) | AP50 (٪) | AP75 (٪) | تحميل |
|---|---|---|---|---|---|---|---|---|
| RESNET50 | 23.51m | 88.0 | أسرع rcnn | FPN | 37.5 | 59.1 | 40.6 | Googledrive |
| SGE-RESNET50 | 23.51m | 88.1 | أسرع rcnn | FPN | 38.7 | 60.8 | 41.7 | Googledrive |
| RESNET50 | 23.51m | 88.0 | قناع rcnn | FPN | 38.6 | 60.0 | 41.9 | Googledrive |
| SGE-RESNET50 | 23.51m | 88.1 | قناع rcnn | FPN | 39.6 | 61.5 | 42.9 | Googledrive |
| RESNET50 | 23.51m | 88.0 | Cascade rcnn | FPN | 41.1 | 59.3 | 44.8 | Googledrive |
| SGE-RESNET50 | 23.51m | 88.1 | Cascade rcnn | FPN | 42.6 | 61.4 | 46.2 | Googledrive |
| RESNET101 | 42.50m | 167.9 | أسرع rcnn | FPN | 39.4 | 60.7 | 43.0 | Googledrive |
| SE-RESNET101 | 47.28 م | 168.3 | أسرع rcnn | FPN | 40.4 | 61.9 | 44.2 | Googledrive |
| SGE-RESNET101 | 42.50m | 168.1 | أسرع rcnn | FPN | 41.0 | 63.0 | 44.3 | Googledrive |
| RESNET101 | 42.50m | 167.9 | قناع rcnn | FPN | 40.4 | 61.6 | 44.2 | Googledrive |
| SE-RESNET101 | 47.28 م | 168.3 | قناع rcnn | FPN | 41.5 | 63.0 | 45.3 | Googledrive |
| SGE-RESNET101 | 42.50m | 168.1 | قناع rcnn | FPN | 42.1 | 63.7 | 46.1 | Googledrive |
| RESNET101 | 42.50m | 167.9 | Cascade rcnn | FPN | 42.6 | 60.9 | 46.4 | Googledrive |
| SE-RESNET101 | 47.28 م | 168.3 | Cascade rcnn | FPN | 43.4 | 62.2 | 47.2 | Googledrive |
| SGE-RESNET101 | 42.50m | 168.1 | Cascade rcnn | FPN | 44.4 | 63.2 | 48.4 | Googledrive |
لاحظ أن النماذج التالية مع تحيز WD = 0.
| نموذج | أعلى 1 | تحميل |
|---|---|---|
| WS-RESNET50 | 76.74 | Googledrive |
| WS-RESNET50 (E = 1E-3) | 76.86 | Googledrive |
| WS-RESNET101 | 78.07 | Googledrive |
| WS-RESNET101 (E = 1E-6) | 78.29 | Googledrive |
| WS-RESNEXT50 (E = 1E-3) | 77.88 | Googledrive |
| WS-RESNEXT101 (E = 1E-3) | 78.80 | Googledrive |
| WS-Densenet201 (E = 1E-8) | 77.59 | Googledrive |
| WS-Shufflenetv1 (E = 1E-8) | 68.09 | Googledrive |
| WS-Shufflenetv2 (E = 1E-8) | 69.70 | Googledrive |
| WS-Mobilenetv1 (E = 1E-6) | 73.60 | Googledrive |
إذا وجدت أعمالنا ذات الصلة مفيدة في بحثك ، فيرجى التفكير في الاستشهاد بالورقة:
@inproceedings{li2019selective,
title={Selective Kernel Networks},
author={Li, Xiang and Wang, Wenhai and Hu, Xiaolin and Yang, Jian},
journal={IEEE Conference on Computer Vision and Pattern Recognition},
year={2019}
}
@inproceedings{li2019spatial,
title={Spatial Group-wise Enhance: Enhancing Semantic Feature Learning in Convolutional Networks},
author={Li, Xiang and Hu, Xiaolin and Xia, Yan and Yang, Jian},
journal={arXiv preprint arXiv:1905.09646},
year={2019}
}
@inproceedings{li2019understanding,
title={Understanding the Disharmony between Weight Normalization Family and Weight Decay: e-shifted L2 Regularizer},
author={Li, Xiang and Chen, Shuo and Yang, Jian},
journal={arXiv preprint arXiv:},
year={2019}
}
@inproceedings{li2019generalization,
title={Generalization Bound Regularizer: A Unified Framework for Understanding Weight Decay},
author={Li, Xiang and Chen, Shuo and Gong, Chen and Xia, Yan and Yang, Jian},
journal={arXiv preprint arXiv:},
year={2019}
}
