pytorch classification

Pytorch-Classiation

Классификация на CIFAR-10/100 и ImageNet с Pytorch.

Функции

• Унифицированный интерфейс для различных сетевых архитектур
• Поддержка мульти-GPU
• Бар прогресса в обучении с богатой информацией
• Журнал обучения и код визуализации кривой обучения (см ./utils/logger.py )

Установить

• Установите Pytorch
• Клон рекурсивно

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

Обучение

Пожалуйста, посмотрите рецепты обучения для обучения моделям.

Результаты

Cifar

Сообщается о частоте ошибок TOP1 на тестах CIFAR-10/100. Вы можете получить разные результаты при обучении ваших моделей с различными случайными семенами. Обратите внимание, что количество параметров вычисляется в наборе данных CIFAR-10.

Модель	Params (m)	Cifar-10 (%)	Cifar-100 (%)
Алекснет	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 (DROP 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

Сообщается об ошибках проверки с одной культурой (224x224).

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

Предварительные модели

Наши обученные модели и учебные журналы можно загрузить по адресу OneDrive.

Поддерживаемые архитектуры

CIFAR-10 / CIFAR-100

Поскольку размер изображений в наборе данных CIFAR составляет 32x32 , популярные сетевые структуры для ImageNet требуют некоторых модификаций для адаптации этого размера входа. Модифицированные модели находятся в models.cifar пакетов. Cifar:

• Алекснет
• VGG (импортируется из Pytorch-Cifar)
• Resnet
• Pre-Act-Resnet
• Resnext (импортируется из resnext.pytorch)
• Широкие остаточные сети (импортируются из Wideresnet-Pytorch)
• Денсенет

ImageNet

• Все модели в torchvision.models (Alexnet, VGG, Resnet, Densenet, stection_v3, Queezenet)
• Resnext
• Широкие остаточные сети

Способствовать

Не стесняйтесь создавать запрос на привлечение, если вы найдете какие -либо ошибки или хотите внести свой вклад (например, больше наборов данных и больше сетевых структур).