senet.pytorch下载senet.pytorch源代码下载

senet.pytorch

Python

To attach weight

下载

senet.pytorch

SENET的实施，由Jie Hu，Li Shen和Gang Sun在挤压和激烈网络中提议，他们是ILSVRC 2017年分类竞赛的获奖者。

现在实施了SE-RESNET（18、34、50、101、152/20、32）和SE-Inception-V3。

python cifar.py使用CIFAR10数据集运行SE-Resnet20。
python imagenet.py and python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py run se -resnet 50 with imagenet（2012）数据集，
- 您需要在~/.torch/data中自己准备数据集，或设置一个环境变量IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- 首先下载文件，然后遵循指令。
- 工人的数量和一些超级参数已修复，因此请检查并在需要时进行检查。
- 该脚本使用所有可用的GPU。要指定GPU，请使用CUDA_VISIBLE_DEVICES变量。（例如CUDA_VISIBLE_DEVICES=1,2用于使用GPU 1和2）

对于Se-Inception-V3，输入大小必须为299x299作为原始启动。

预要求

在以下设置上测试了代码库。

python> = 3.8
pytorch> = 1.6.0
火炬> = 0.7

进行培训

要运行cifar.py或imagenet.py ，您需要

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

中心

您可以通过torch.hub使用一些SE-RESNET（ se_resnet{20, 56, 50, 101} ）。

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

此外，还提供了预告片的SE-RESNET50模型。

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

结果

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

请注意，CIFAR-10数据集有望在~/.torch/data下。

	RESNET20	SE-RESNET20（减少4或8）
最大限度。测试准确性	92％	93％

SE-RESNET50/IMAGENET

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

选项[-m ...]用于分布式培训。请注意，Imagenet数据集有望在~/.torch/data下或指定为IMAGENET_ROOT=${PATH_TO_IMAGENET} 。

由于我的计算资源，初始学习率和迷你批量大小与原始版本不同。

	重新连接	Se-Resnet
最大限度。测试准确性（TOP1）	76.15％（*）	77.06％（**）

（*）：Resnet-50 in torchvision
（**）：在8 GPU上使用imagenet.py与--distributed设置时。重量可用。

 # !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" ))