senet.pytorch下載senet.pytorch源代碼下載

senet.pytorch

Python

To attach weight

下載

senet.pytorch

SENET的實施，由Jie Hu，Li Shen和Gang Sun在擠壓和激烈網絡中提議，他們是ILSVRC 2017年分類競賽的獲獎者。

現在實施了SE-RESNET（18、34、50、101、152/20、32）和SE-Inception-V3。

python cifar.py使用CIFAR10數據集運行SE-Resnet20。
python imagenet.py and python -m torch.distributed.launch --nproc_per_node=${NUM_GPUS} imagenet.py run se -resnet 50 with imagenet（2012）數據集，
- 您需要在~/.torch/data中自己準備數據集，或設置一個環境變量IMAGENET_ROOT=${PATH_TO_YOUR_IMAGENET}
- 首先下載文件，然後遵循指令。
- 工人的數量和一些超級參數已修復，因此請檢查並在需要時進行檢查。
- 該腳本使用所有可用的GPU。要指定GPU，請使用CUDA_VISIBLE_DEVICES變量。（例如CUDA_VISIBLE_DEVICES=1,2用於使用GPU 1和2）

對於Se-Inception-V3，輸入大小必須為299x299作為原始啟動。

預要求

在以下設置上測試了代碼庫。

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

進行培訓

要運行cifar.py或imagenet.py ，您需要

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

中心

您可以通過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，還提供了預告片的SE-RESNET50模型。

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

結果

SE-RESNET20/CIFAR10

 python cifar.py [--baseline]

請注意，CIFAR-10數據集有望在~/.torch/data下。

	RESNET20	SE-RESNET20（減少4或8）
最大限度。測試準確性	92％	93％

SE-RESNET50/IMAGENET

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

選項[-m ...]用於分佈式培訓。請注意，Imagenet數據集有望在~/.torch/data下或指定為IMAGENET_ROOT=${PATH_TO_IMAGENET} 。

由於我的計算資源，初始學習率和迷你批量大小與原始版本不同。

	重新連接	Se-Resnet
最大限度。測試準確性（TOP1）	76.15％（*）	77.06％（**）

（*）：Resnet-50 in torchvision
（**）：在8 GPU上使用imagenet.py與--distributed設置時。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" ))