pytorch classification

Pytorch分類

在CIFAR-10/100上的分類和帶有Pytorch的Imagenet。

特徵

• 不同網絡體系結構的統一界面
• 多GPU支持
• 培訓進度欄和豐富的信息
• 訓練日誌和訓練曲線可視化代碼（請參閱./utils/logger.py ）

安裝

• 安裝Pytorch
• 遞歸克隆

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

訓練

請參閱培訓食譜，了解如何培訓模型。

結果

cifar

報告了CIFAR-10/100基準的TOP1錯誤率。用不同的隨機種子訓練模型時，您可能會獲得不同的結果。請注意，參數數量是在CIFAR-10數據集上計算的。

模型	參數（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

成像網

報告了單盤（224x224）驗證錯誤率。

模型	參數（m）	TOP-1錯誤（％）	前5個錯誤（％）
Resnet-18	11.69	30.09	10.78
Resnext-50（32x4d）	25.03	22.6	6.29

預驗證的模型

我們訓練有素的模型和培訓日誌可在OneDrive下載。

支持的體系結構

CIFAR-10 / CIFAR-100

由於CIFAR數據集中圖像的大小為32x32 ，因此，用於ImageNet的流行網絡結構需要一些修改以調整此輸入大小。修改模型在軟件包models.cifar中。

• Alexnet
• VGG（從Pytorch-Cifar進口）
• 重新連接
• 前動物環網
• resnext（從resnext.pytorch導入）
• 廣泛的殘留網絡（從WideSnet-Pytorch進口）
• Densenet

成像網

• torchvision.models中的所有模型
• Resnext
• 廣泛的殘留網絡

貢獻

如果您找到任何錯誤或要貢獻（例如，更多數據集和更多網絡結構），請隨時創建拉動請求。