pytorch classification
1.0.0
การจำแนกประเภท CIFAR-10/100 และ ImageNet ด้วย pytorch
./utils/logger.py ) git clone --recursive https://github.com/bearpaw/pytorch-classification.git
โปรดดูสูตรการฝึกอบรมสำหรับวิธีการฝึกอบรมแบบจำลอง
อัตราข้อผิดพลาด TOP1 บนมาตรฐาน CIFAR-10/100 มีการรายงาน คุณอาจได้รับผลลัพธ์ที่แตกต่างกันเมื่อฝึกอบรมแบบจำลองของคุณด้วยเมล็ดสุ่มที่แตกต่างกัน โปรดทราบว่าจำนวนพารามิเตอร์จะถูกคำนวณในชุดข้อมูล CIFAR-10
| แบบอย่าง | 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 (ลดลง 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 |
รายงานอัตราความผิดพลาดการตรวจสอบความถูกต้องของพืชผลเดียว (224x224)
| แบบอย่าง | params (M) | ข้อผิดพลาด Top-1 (%) | ข้อผิดพลาด Top-5 (%) |
|---|---|---|---|
| resnet-18 | 11.69 | 30.09 | 10.78 |
| resnext-50 (32x4d) | 25.03 | 22.6 | 6.29 |
โมเดลที่ผ่านการฝึกอบรมและบันทึกการฝึกอบรมของเราสามารถดาวน์โหลดได้ที่ OneDrive
เนื่องจากขนาดของภาพในชุดข้อมูล CIFAR คือ 32x32 โครงสร้างเครือข่ายยอดนิยมสำหรับ ImageNet จำเป็นต้องมีการปรับเปลี่ยนบางอย่างเพื่อปรับขนาดอินพุตนี้ รุ่นที่แก้ไขอยู่ในแพ็คเกจ models.cifar :
torchvision.models (Alexnet, VGG, Resnet, Densenet, Inception_v3, Squeezenet) อย่าลังเลที่จะสร้างคำขอดึงหากคุณพบข้อบกพร่องใด ๆ หรือคุณต้องการมีส่วนร่วม (เช่นชุดข้อมูลเพิ่มเติมและโครงสร้างเครือข่ายเพิ่มเติม)
