unduhan senet.pytorch - unduhan kode sumber senet.pytorch

senet.pytorch

ular piton

To attach weight

Unduh

Senet.pytorch

Implementasi Senet, yang diusulkan dalam jaringan pemerasan-dan-eksitasi oleh Jie Hu, Li Shen dan Gang Sun, yang merupakan pemenang Kompetisi Klasifikasi ILSVRC 2017.

Sekarang SE-RESNET (18, 34, 50, 101, 152/20, 32) dan SE-Inception-V3 diimplementasikan.

python cifar.py menjalankan SE-RESNET20 dengan dataset CIFAR10.
python imagenet.py dan python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py run se -resnet50 dengan imagenet (2012) dataset,
- Anda perlu menyiapkan dataset sendiri di ~/.torch/data atau mengatur variabel lingkungan IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- Pertama -tama unduh file dan kemudian ikuti instruksi.
- Jumlah pekerja dan beberapa parameter hiper diperbaiki jadi periksa dan ubah jika Anda butuhkan.
- Script ini menggunakan semua GPU yang tersedia. Untuk menentukan GPU, gunakan variabel CUDA_VISIBLE_DEVICES . (misalnya CUDA_VISIBLE_DEVICES=1,2 untuk menggunakan GPU 1 dan 2)

Untuk SE-INCEPTION-V3, ukuran input harus 299x299 sebagai awal asli.

Pra-Permintaan

Basis kode diuji pada pengaturan berikut.

Python> = 3.8
Pytorch> = 1.6.0
TorchVision> = 0.7

Untuk pelatihan

Untuk menjalankan cifar.py atau imagenet.py , Anda perlu

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

pusat

Anda dapat menggunakan beberapa SE-RESNET ( se_resnet{20, 56, 50, 101} ) melalui torch.hub .

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

Juga, model SE-RESNET50 pretrained tersedia.

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

Hasil

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

Perhatikan bahwa dataset CIFAR-10 diharapkan berada di bawah ~/.torch/data .

	Resnet20	SE-RESNET20 (Pengurangan 4 atau 8)
Max. akurasi uji	92%	93%

SE-RESNET50/IMAGENET

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

Opsi [-m ...] adalah untuk pelatihan terdistribusi. Perhatikan bahwa dataset ImageNet diharapkan berada di bawah ~/.torch/data atau ditentukan sebagai IMAGENET_ROOT=${PATH_TO_IMAGENET} .

Tingkat pembelajaran awal dan ukuran mini-batch berbeda dari versi asli karena sumber daya komputasi saya .

	Resnet	SE-RESNET
Max. Akurasi Tes (Top1)	76.15 %(*)	77,06% (**)

(*): Resnet-50 di obor
(**): Saat menggunakan imagenet.py dengan pengaturan --distributed pada 8 GPU. Beratnya tersedia.

 # !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" ))