pytorch_resnet_cifar10下载pytorch_resnet

pytorch_resnet_cifar10

Python

1.0.0

下载

Pytorch中CIFAR10/CIFAR100的正确重新连接实现

Torchvision模型动物园提供了各种最新架构的实现，但是，其中大多数是为Imagenet定义和实现的。通常，在其他数据集上使用提供的模型很简单，但是有些情况需要手动设置。

例如，很少有CIFAR11上带有重新NETENES的Pytorch存储库提供了原始论文中所述的实现。如果您仅在CIFAR10上使用TorchVision的模型，则会获得各种层和参数数量不同的模型。如果您想将CIFAR10上的Resnet-S与原始纸进行比较，这是不可接受的。该仓库的目的是为CIFAR10提供有效的Pytorch实现，如原始论文所述。提供以下模型：

姓名	＃层	＃参数	测试错误（纸）	测试err（这个含义）
RESNET20	20	0.27m	8.75％	8.27％
Resnet32	32	0.46m	7.51％	7.37％
Resnet44	44	0.66m	7.17％	6.90％
Resnet56	56	0.85m	6.97％	6.61％
RESNET110	110	17m	6.43％	6.32％
Resnet1202	1202	194m	7.93％	6.18％

此实现与原始论文的描述匹配，并具有可比或更好的测试错误。

如何运行？

git clone https://github.com/akamaster/pytorch_resnet_cifar10
cd pytorch_resnet_cifar10
chmod +x run.sh && ./run.sh

培训的详细信息

我们的实施以简单的方式遵循一些警告：首先，论文中的培训在火车数据上使用45k/5k火车/验证分开，并根据验证集的性能选择了最佳性能模型。我们不执行验证测试；如果您需要将重新连接的结果与正面纸进行比较，请记住这一点。其次，如果您想训练Resnet1202，请记住，您需要在GPU上进行16GB内存。

预验证的下载模型

RESNET20，8.27％的错误
resnet32，7.37％的错误
resnet44，6.90％错误
resnet56，6.61％错误
RESNET110，6.32％错误
RESNET1202，6.18％的错误

如果您发现此实现有用并想引用/提及此页面，则是Bibtex引用：

 @misc { Idelbayev18a ,
  author       = " Yerlan Idelbayev " ,
  title        = " Proper {ResNet} Implementation for {CIFAR10/CIFAR100} in {PyTorch} " ,
  howpublished = " url{https://github.com/akamaster/pytorch_resnet_cifar10} " ,
  note         = " Accessed: 20xx-xx-xx "
}