pytorch_resnet_cifar10

Pytorch中CIFAR10/CIFAR100的正確重新連接實現

Torchvision模型動物園提供了各種最新架構的實現，但是，其中大多數是為Imagenet定義和實現的。通常，在其他數據集上使用提供的模型很簡單，但是有些情況需要手動設置。

例如，很少有CIFAR11上帶有重新NETENES的Pytorch存儲庫提供了原始論文中所述的實現。如果您僅在CIFAR10上使用TorchVision的模型，則會獲得各種層和參數數量不同的模型。如果您想將CIFAR10上的Resnet-S與原始紙進行比較，這是不可接受的。該倉庫的目的是為CIFAR10提供有效的Pytorch實現，如原始論文所述。提供以下模型：

姓名	＃層	＃參數	測試錯誤（紙）	測試err（這個含義）
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％

此實現與原始論文的描述匹配，並具有可比或更好的測試錯誤。

如何運行？

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

培訓的詳細信息

我們的實施以簡單的方式遵循一些警告：首先，論文中的培訓在火車數據上使用45k/5k火車/驗證分開，並根據驗證集的性能選擇了最佳性能模型。我們不執行驗證測試；如果您需要將重新連接的結果與正面紙進行比較，請記住這一點。其次，如果您想訓練Resnet1202，請記住，您需要在GPU上進行16GB內存。

預驗證的下載模型

1. RESNET20，8.27％的錯誤
2. resnet32，7.37％的錯誤
3. resnet44，6.90％錯誤
4. resnet56，6.61％錯誤
5. RESNET110，6.32％錯誤
6. RESNET1202，6.18％的錯誤

如果您發現此實現有用並想引用/提及此頁面，則是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 "
}