ShuffleNet

ShuffleNet em PyTorch

Uma implementação do ShuffleNet no PyTorch. ShuffleNet é uma arquitetura de rede neural convolucional eficiente para dispositivos móveis. Segundo o jornal, ele supera o MobileNet do Google em uma pequena porcentagem.

O que é ShuffleNet?

Em uma frase, ShuffleNet é um modelo semelhante ao ResNet que usa blocos residuais (chamados ShuffleUnits ), com a principal inovação sendo o uso de convoluções de grupo pontuais, ou 1x1, em oposição às convoluções pontuais normais.

Uso

Clone o repositório:

git clone https://github.com/jaxony/ShuffleNet.git

Use o modelo definido em model.py :

 from model import ShuffleNet

# running on MNIST
net = ShuffleNet ( num_classes = 10 , in_channels = 1 )

Desempenho

Treinado em ImageNet (usando o exemplo PyTorch ImageNet) com groups=3 e sem multiplicador de canal. No conjunto de teste, obteve 62,2% do top 1 e 84,2% do top 5. Infelizmente, isso não é comparável à Tabela 5 do artigo, porque eles não executam uma rede com essas configurações, mas está em algum lugar entre a rede com groups=3 e metade do número de canais (42,8% top 1) e a rede com o mesmo número de canais mas groups=8 (32,4% top 1). O dicionário de estado pré-treinado pode ser encontrado aqui, no seguinte formato:

 {
    'epoch': epoch + 1,
    'arch': args.arch,
    'state_dict': model.state_dict(),
    'best_prec1': best_prec1,
    'optimizer' : optimizer.state_dict()
}

Nota: treinado com as configurações padrão do ImageNet, que na verdade são diferentes do regime de treinamento descrito no artigo. Pendente em execução novamente com essas configurações (e groups=8 ).