pytorch classification

Pytorch分类

在CIFAR-10/100上的分类和带有Pytorch的Imagenet。

特征

• 不同网络体系结构的统一界面
• 多GPU支持
• 培训进度栏和丰富的信息
• 训练日志和训练曲线可视化代码（请参阅./utils/logger.py ）

安装

• 安装Pytorch
• 递归克隆

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

训练

请参阅培训食谱，了解如何培训模型。

结果

cifar

报告了CIFAR-10/100基准的TOP1错误率。用不同的随机种子训练模型时，您可能会获得不同的结果。请注意，参数数量是在CIFAR-10数据集上计算的。

模型	参数（m）	CIFAR-10（％）	CIFAR-100（％）
Alexnet	2.47	22.78	56.13
VGG19_BN	20.04	6.66	28.05
Resnet-11	1.70	6.11	28.86
Preesnet-11	1.70	4.94	23.65
WRN-28-10（降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

成像网

报告了单盘（224x224）验证错误率。

模型	参数（m）	TOP-1错误（％）	前5个错误（％）
Resnet-18	11.69	30.09	10.78
Resnext-50（32x4d）	25.03	22.6	6.29

预验证的模型

我们训练有素的模型和培训日志可在OneDrive下载。

支持的体系结构

CIFAR-10 / CIFAR-100

由于CIFAR数据集中图像的大小为32x32 ，因此，用于ImageNet的流行网络结构需要一些修改以调整此输入大小。修改模型在软件包models.cifar中。

• Alexnet
• VGG（从Pytorch-Cifar进口）
• 重新连接
• 前动物环网
• resnext（从resnext.pytorch导入）
• 广泛的残留网络（从WideSnet-Pytorch进口）
• Densenet

成像网

• torchvision.models中的所有模型
• Resnext
• 广泛的残留网络

贡献

如果您找到任何错误或要贡献（例如，更多数据集和更多网络结构），请随时创建拉动请求。