senet.pytorch ดาวน์โหลด - senet.pytorch ซอร์สโค้ดดาวน์โหลดดาวน์โหลด

senet.pytorch

หลาม

To attach weight

ดาวน์โหลด

Senet.pytorch

การดำเนินการของ Senet ที่เสนอใน เครือข่ายการบีบและการกระตุ้น โดย Jie Hu, Li Shen และ Gang Sun ซึ่งเป็นผู้ชนะของการแข่งขันการจำแนกประเภท ILSVRC 2017

ตอนนี้ SE-RESNET (18, 34, 50, 101, 152/20, 32) และ SE-Inception-V3 ถูกนำมาใช้

python cifar.py เรียกใช้ SE-RESNET20 พร้อมชุดข้อมูล CIFAR10
python imagenet.py และ python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py run se -resnet50 พร้อม Imagenet (2012) ชุดข้อมูล
- คุณต้องเตรียมชุดข้อมูลด้วยตัวเองใน ~/.torch/data หรือตั้งค่าตัวแปรสภาพแวดล้อม IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- ไฟล์ดาวน์โหลดก่อนแล้วทำตามคำแนะนำ
- จำนวนคนงานและพารามิเตอร์ไฮเปอร์บางตัวได้รับการแก้ไขดังนั้นตรวจสอบและเปลี่ยนแปลงหากคุณต้องการ
- สคริปต์นี้ใช้ GPU ทั้งหมดที่มีอยู่ ในการระบุ GPU ให้ใช้ตัวแปร CUDA_VISIBLE_DEVICES (เช่น CUDA_VISIBLE_DEVICES=1,2 เพื่อใช้ GPU 1 และ 2)

สำหรับ SE-Inception-V3 จำเป็นต้องมีขนาดอินพุตเป็น 299x299 เป็นจุดเริ่มต้นดั้งเดิม

การส่งต่อล่วงหน้า

codebase ถูกทดสอบในการตั้งค่าต่อไปนี้

Python> = 3.8
pytorch> = 1.6.0
Torchvision> = 0.7

สำหรับการฝึกอบรม

ในการเรียกใช้ cifar.py หรือ imagenet.py คุณต้องการ

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

ศูนย์กลาง

คุณสามารถใช้ SE-RESNET ( se_resnet{20, 56, 50, 101} ) ผ่าน torch.hub

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

นอกจากนี้ยังมีรุ่น SE-RESNET50 ที่ได้รับการฝึกฝนไว้

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

ผลลัพธ์

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

โปรดทราบว่าชุดข้อมูล CIFAR-10 คาดว่าจะอยู่ภายใต้ ~/.torch/data

	resnet20	SE-RESNET20 (ลด 4 หรือ 8)
สูงสุด ทดสอบความแม่นยำ	92%	93%

SE-RESNET50/ImageNet

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

ตัวเลือก [-m ... ] ใช้สำหรับการฝึกอบรมแบบกระจาย โปรดทราบว่าชุดข้อมูล Imagenet คาดว่าจะอยู่ภายใต้ ~/.torch/data หรือระบุเป็น IMAGENET_ROOT=${PATH_TO_IMAGENET}

อัตราการเรียนรู้เริ่มต้นและขนาดมินิแบทช์นั้นแตกต่างจากรุ่นดั้งเดิมเนื่องจากทรัพยากรการคำนวณของฉัน

	resnet	Se-Resnet
สูงสุด ความแม่นยำในการทดสอบ (Top1)	76.15 %(*)	77.06% (**)

(*): resnet-50 ใน Torchvision
(**): เมื่อใช้ imagenet.py กับการตั้งค่า --distributed ใน 8 GPU น้ำหนักมีอยู่

 # !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" ))