Descargar senet.pytorch - senet.pytorch Código fuente de descarga

senet.pytorch

Pitón

To attach weight

Descargar

Senet.pytorch

Una implementación de Senet, propuesta en redes Squeeze and-Excitation por Jie Hu, Li Shen y Gang Sun, quienes son los ganadores de la competencia de clasificación ILSVRC 2017.

Ahora se implementan SE-Resnet (18, 34, 50, 101, 152/20, 32) y SE-Inception-V3.

python cifar.py ejecuta SE-Resnet20 con el conjunto de datos CIFAR10.
python imagenet.py y python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py ejecutar se -resnet50 con el conjunto de datos de ImageNet (2012),
- Debe preparar el conjunto de datos usted mismo en ~/.torch/data o establecer una variable de entorno IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- Primero descargue archivos y luego siga la instrucción.
- El número de trabajadores y algunos parámetros hiper se solucionan, así que verifique y cámbielas si lo necesita.
- Este script usa todas las GPU disponibles. Para especificar las GPU, use CUDA_VISIBLE_DEVICES Variable. (por ejemplo, CUDA_VISIBLE_DEVICES=1,2 para usar GPU 1 y 2)

Para SE-Inception-V3, se requiere que el tamaño de entrada sea 299x299 como el inicio original.

Requisitos previos

La base de código se prueba en la siguiente configuración.

Python> = 3.8
Pytorch> = 1.6.0
Visación de antorchas> = 0.7

Para el entrenamiento

Para ejecutar cifar.py o imagenet.py , necesita

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

centro

Puede usar algunos SE-Resnet ( se_resnet{20, 56, 50, 101} ) a través de torch.hub .

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

Además, hay un modelo SE-Resnet50 previamente previamente disponible.

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

Resultados

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

Tenga en cuenta que el conjunto de datos CIFAR-10 esperaba estar bajo ~/.torch/data .

	Resnet20	SE-Resnet20 (reducción 4 u 8)
Max. precisión de la prueba	92%	93%

SE-Resnet50/Imagenet

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

La opción [-m ...] es para capacitación distribuida. Tenga en cuenta que se espera que el conjunto de datos ImageNet esté en ~/.torch/data o especificado como IMAGENET_ROOT=${PATH_TO_IMAGENET} .

La tasa de aprendizaje inicial y el tamaño de mini lotes son diferentes de la versión original debido a mi recurso computacional .

	Resnet	Reinita SE
Max. Prueba de prueba (Top1)	76.15 %(*)	77.06% (**)

(*): Resnet-50 en atorchvision
(**): cuando se usa imagenet.py con la configuración --distributed en 8 GPU. El peso está disponible.

 # !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" ))