Скачать senet.pytorch - Скачать исходный код senet.pytorch

senet.pytorch

Питон

To attach weight

Скачать

Senet.pytorch

Реализация Senet, предложенная в сетях сжимания и сдачи Цзи Ху, Ли Шен и Банг Сан, которые являются победителями конкурса классификации ILSVRC 2017.

Теперь SE-Resnet (18, 34, 50, 101, 152/20, 32) и SE-Inception-V3 реализованы.

python cifar.py запускает se-resnet20 с набором данных CiFAR10.
python imagenet.py и python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py Run Se -resnet50 с ImageNet (2012) Набор данных,
- Вам необходимо подготовить набор данных самостоятельно в ~/.torch/data или установить переменную среды IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- Сначала загрузите файлы, а затем следуйте инструкции.
- Количество работников и некоторые гипер -парамеры исправлены, поэтому проверьте и измените их, если вам нужно.
- Этот скрипт использует все GPU, доступные. Чтобы указать графические процессоры, используйте переменную CUDA_VISIBLE_DEVICES . (например, CUDA_VISIBLE_DEVICES=1,2 для использования графического процессора 1 и 2)

Для SE-Inception-V3 размер входа должен быть 299x299 в качестве исходного создания.

Предварительные запросы

Кодовая база проверяется в следующем настройке.

Python> = 3,8
Pytorch> = 1,6,0
TOCHVISION> = 0,7

Для обучения

Чтобы запустить cifar.py или imagenet.py , вам нужно

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

центр

Вы можете использовать SE-RESNET ( se_resnet{20, 56, 50, 101} ) через torch.hub .

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

Кроме того, доступна предварительная модель SE-Resnet50.

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

Результаты

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

Обратите внимание, что набор данных CIFAR-10, который, как ожидается, будет находиться в рамках ~/.torch/data .

	Resnet20	Se-resnet20 (сокращение 4 или 8)
максимум Точность теста	92%	93%

SE-Resnet50/ImageNet

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

Вариант [-m ...] предназначен для распределенного обучения. Обратите внимание, что набор данных ImageNet, как ожидается, будет находиться в соответствии с ~/.torch/data или указан как IMAGENET_ROOT=${PATH_TO_IMAGENET} .

Первоначальная скорость обучения и мини-размеры отличаются от исходной версии из-за моего вычислительного ресурса .

	Resnet	SE-Resnet
максимум Точность теста (TOP1)	76,15 %(*)	77,06% (**)

(*): Resnet-50 в Torchvision
(**): при использовании imagenet.py с настройкой --distributed 8 графических процессорах. Вес доступен.

 # !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" ))