الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

هذا ملعب للمبتدئين في Pytorch ، والذي يحتوي على نماذج محددة مسبقًا على مجموعة البيانات الشهيرة. نحن ندعم حاليا

  • mnist ، svhn
  • CIFAR10 ، CIFAR100
  • STL10
  • اليكسنيت
  • VGG16 ، VGG16_BN ، VGG19 ، VGG19_BN
  • Resnet18 ، Resnet34 ، Resnet50 ، Resnet101 ، Resnet152
  • squeezenet_v0 ، squeezenet_v1
  • Inception_v3

فيما يلي مثال على مجموعة بيانات MNIST. سيؤدي ذلك إلى تنزيل مجموعة البيانات والنموذج الذي تم تدريبه مسبقًا تلقائيًا. 

 import torch
from torch.autograd import Variable
from utee import selector
model_raw, ds_fetcher, is_imagenet = selector.select('mnist')
ds_val = ds_fetcher(batch_size=10, train=False, val=True)
for idx, (data, target) in enumerate(ds_val):
    data =  Variable(torch.FloatTensor(data)).cuda()
    output = model_raw(data)

أيضًا ، إذا أردت تدريب طراز MLP على Mnist ، ما عليك سوى تشغيل python mnist/train.py

ثَبَّتَ 

 python3 setup.py develop --user

مجموعة بيانات ImageNet

نحن نقدم مجموعة بيانات التحقق من صحة ImageNet مع حجم 224x224x3. قمنا أولاً بتغيير حجم الحجم الأقصر للصورة إلى 256 ، ثم نقضي صورة 224 × 224 في المركز. ثم نشفير الصور المزروعة على سلسلة JPG ونفوز على المخلل.

  • cd script
  • قم بتنزيل val224_compressed.pkl (Tsinghua / Google Drive)
  • python convert.py (يحتاج 48G ذاكرة ، شكرًا @jnorwood)

الكمية

نحن نقدم أيضًا عرضًا تجريبيًا بسيطًا لتحديد هذه النماذج إلى عرض البتات المحدد مع عدة طرق ، بما في ذلك الطريقة الخطية وطريقة Minmax والطريقة غير الخطية.

quantize --type cifar10 --quant_method linear --param_bits 8 --fwd_bits 8 --bn_bits 8 --ngpu 1

Top1 دقة

نقوم بتقييم أداء مجموعة البيانات والنماذج الشائعة ذات الأسلوب الكمي الخطية. عرض البتات في التشغيل المتوسط والتباين الجري في BN هو 10 بت لجميع النتائج. (باستثناء 32 حلو)

نموذج 32 حلو 12 بت 10 بت 8 بت 6 بت
mnist 98.42 98.43 98.44 98.44 98.32
SVHN 96.03 96.03 96.04 96.02 95.46
CIFAR10 93.78 93.79 93.80 93.58 90.86
CIFAR100 74.27 74.21 74.19 73.70 66.32
STL10 77.59 77.65 77.70 77.59 73.40
اليكسنيت 55.70/78.42 55.66/78.41 55.54/78.39 54.17/77.29 18.19/36.25
VGG16 70.44/89.43 70.45/89.43 70.44/89.33 69.99/89.17 53.33/76.32
VGG19 71.36/89.94 71.35/89.93 71.34/89.88 70.88/89.62 56.00/78.62
RESNET18 68.63/88.31 68.62/88.33 68.49/88.25 66.80/87.20 19.14/36.49
resnet34 72.50/90.86 72.46/90.82 72.45/90.85 71.47/90.00 32.25/55.71
RESNET50 74.98/92.17 74.94/92.12 74.91/92.09 72.54/90.44 2.43/5.36
RESNET101 76.69/93.30 76.66/93.25 76.22/92.90 65.69/79.54 1.41/1.18
RESNET152 77.55/93.59 77.51/93.62 77.40/93.54 74.95/92.46 9.29/16.75
Squeezenetv0 56.73/79.39 56.75/79.40 56.70/79.27 53.93/77.04 14.21/29.74
Squeezenetv1 56.52/79.13 56.52/79.15 56.24/79.03 54.56/77.33 17.10/32.46
InceptionV3 76.41/92.78 76.43/92.71 76.44/92.73 73.67/91.34 1.50/4.82

ملاحظة: نماذج ImageNet 32-float مباشرة من Torchvision

حجج مختارة

هنا نقدم نظرة عامة على وسيطات محددة من quantize.py

علَم القيمة الافتراضية الوصف والخيارات
يكتب CIFAR10 Mnist ، Svhn ، Cifar10 ، Cifar100 ، STL10 ، Alexnet ، VGG16 ، VGG16_BN ، VGG19 ، VGG19_BN ، RESENT18 ، RESENT34 ، RESNET50 ، RESNET101 ، RESNET152 ، VISEEZENET_V0 ، SIPEEZENET_V1
Quant_Method خطي طريقة القياس: الخطية ، minmax ، log ، tanh
param_bits 8 عرض البت من الأوزان والتحيز
FWD_BITS 8 عرض بت من التنشيط
bn_bits 32 عرض البتات من الجري المتوسط والجري فيرانس
overflow_rate 0.0 عتبة معدل الفائض لطريقة القياس الخطي
n_samples 20 عدد العينات لتقديم إحصائيات للتنشيط
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل