pytorch classification

Klasifikasi Pytorch

Klasifikasi pada CIFAR-10/100 dan ImageNet dengan Pytorch.

Fitur

• Antarmuka terpadu untuk arsitektur jaringan yang berbeda
• Dukungan Multi-GPU
• Pelatihan Progress Bar dengan info kaya
• Log Pelatihan dan Kode Visualisasi Kurva Pelatihan (lihat ./utils/logger.py )

Memasang

• Instal Pytorch
• Klon secara rekursif

   git clone --recursive https://github.com/bearpaw/pytorch-classification.git
  

Pelatihan

Silakan lihat resep pelatihan untuk cara melatih model.

Hasil

CIFAR

Tingkat kesalahan TOP1 pada tolok ukur CIFAR-10/100 dilaporkan. Anda mungkin mendapatkan hasil yang berbeda saat melatih model Anda dengan benih acak yang berbeda. Perhatikan bahwa jumlah parameter dihitung pada dataset CIFAR-10.

Model	Params (m)	CIFAR-10 (%)	CIFAR-100 (%)
Alexnet	2.47	22.78	56.13
VGG19_BN	20.04	6.66	28.05
ResNet-110	1.70	6.11	28.86
Preresnet-110	1.70	4.94	23.65
WRN-28-10 (turun 0.3)	36.48	3.79	18.14
Resnext-29, 8x64	34.43	3.69	17.38
Resnext-29, 16x64	68.16	3.53	17.30
Densenet-BC (l = 100, k = 12)	0.77	4.54	22.88
Densenet-BC (L = 190, k = 40)	25.62	3.32	17.17

Imagenet

Tingkat kesalahan validasi single-crop (224x224) dilaporkan.

Model	Params (m)	Top-1 error (%)	Top-5 error (%)
Resnet-18	11.69	30.09	10.78
Resnext-50 (32x4d)	25.03	22.6	6.29

Model pretrained

Model dan log pelatihan kami yang terlatih dapat diunduh di OneDrive.

Arsitektur yang didukung

CIFAR-10 / CIFAR-100

Karena ukuran gambar dalam dataset CIFAR adalah 32x32 , struktur jaringan populer untuk ImagEnet memerlukan beberapa modifikasi untuk menyesuaikan ukuran input ini. Model yang dimodifikasi ada dalam models.cifar paket. CIFAR:

• Alexnet
• VGG (diimpor dari Pytorch-Cifar)
• Resnet
• Pra-Act-Resnet
• Resnext (diimpor dari resnext.pytorch)
• Jaringan residu yang luas (diimpor dari Dibersnet-Pytorch)
• Densenet

Imagenet

• Semua model di torchvision.models (Alexnet, VGG, ResNet, Densenet, Inception_v3, Squeezenet)
• Resnext
• Jaringan residual yang luas

Menyumbang

Jangan ragu untuk membuat permintaan tarik jika Anda menemukan bug atau Anda ingin berkontribusi (misalnya, lebih banyak set data dan lebih banyak struktur jaringan).