senet.pytorch Download - senet.pytorch Source Code Download

senet.pytorch

Python

To attach weight

Télécharger

Senet.pytorch

Une mise en œuvre de Senet, proposée dans les réseaux de compression et d'excitation par Jie Hu, Li Shen et Gang Sun, qui sont les gagnants du concours de classification ILSVRC 2017.

Maintenant, SE-Resnet (18, 34, 50, 101, 152/20, 32) et SE-inception-V3 sont mis en œuvre.

python cifar.py exécute SE-RESNET20 avec un ensemble de données CIFAR10.
python imagenet.py et python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py Exécuter le setnet50 avec Imagenet (2012)
- Vous devez préparer vous-même un ensemble de données dans ~/.torch/data ou définir une variable Enviroment IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- Téléchargez d'abord les fichiers, puis suivez l'instruction.
- Le nombre de travailleurs et certains paramètres hyper sont fixés, alors vérifiez et modifiez-les si vous en avez besoin.
- Ce script utilise tous les GPU disponibles. Pour spécifier les GPU, utilisez la variable CUDA_VISIBLE_DEVICES . (par exemple CUDA_VISIBLE_DEVICES=1,2 pour utiliser GPU 1 et 2)

Pour SE-inception-V3, la taille de l'entrée doit être 299x299 comme création d'origine.

Pré-exigences

La base de code est testée sur le paramètre suivant.

Python> = 3,8
Pytorch> = 1,6.0
TorchVision> = 0,7

Pour la formation

Pour exécuter cifar.py ou imagenet.py , vous avez besoin

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

moyeu

Vous pouvez utiliser SE-RESNET ( se_resnet{20, 56, 50, 101} ) via torch.hub .

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

De plus, un modèle SE-Resnet50 pré-entraîné est disponible.

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

Résultats

SE-RESNET20 / CIFAR10

 python cifar.py [--baseline]

Notez que l'ensemble de données CIFAR-10 devrait être sous ~/.torch/data .

	Resnet20	SE-RESNET20 (réduction 4 ou 8)
Max. précision de test	92%	93%

SE-RESNET50 / IMAMENET

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

L'option [-m ...] est destinée à une formation distribuée. Notez que l'ensemble de données ImageNet devrait être sous ~/.torch/data ou spécifié sous le nom IMAGENET_ROOT=${PATH_TO_IMAGENET} .

Le taux d'apprentissage initial et la taille du mini-lots sont différents de la version d'origine en raison de ma ressource de calcul .

	Resnet	SE-RESNET
Max. Précision du test (TOP1)	76,15% (*)	77,06% (**)

(*): Resnet-50 dans TorchVision
(**): Lorsque vous utilisez imagenet.py avec le réglage --distributed sur 8 GPU. Le poids est 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" ))

Contribution

Je ne peux pas maintenir ce référentiel activement, mais toutes les contributions sont les bienvenues. N'hésitez pas à envoyer des PR et des problèmes.