iresnet

ปรับปรุงเครือข่ายที่เหลือ

นี่คือการใช้งาน PyTorch ของเอกสาร "เครือข่ายที่เหลือที่ได้รับการปรับปรุงสำหรับการรับรู้ภาพและวิดีโอ":

 @article{duta2020improved,
  author  = {Ionut Cosmin Duta and Li Liu and Fan Zhu and Ling Shao},
  title   = {Improved Residual Networks for Image and Video Recognition},
  journal = {arXiv preprint arXiv:2004.04989},
  year    = {2020},
}

สามารถดูโมเดลที่ได้รับการฝึกบน ImageNet ได้ที่นี่

iResNet (เครือข่ายที่เหลือที่ได้รับการปรับปรุง) สามารถปรับปรุงพื้นฐาน (ResNet) ในแง่ของประสิทธิภาพการจดจำ โดยไม่ต้องเพิ่มจำนวนพารามิเตอร์และต้นทุนการคำนวณ iResNet มีประสิทธิภาพมากในการฝึกโมเดลที่ลึกมาก (ดูรายละเอียดในกระดาษ)

ความแม่นยำของ ImageNet (โดยใช้การตั้งค่าการฝึกเริ่มต้น):

เครือข่าย	50 ชั้น	101 ชั้น	152 ชั้น	200 ชั้น
เรสเน็ต	76.12% (รุ่น)	78.00% (รุ่น)	78.45% (รุ่น)	77.55% (รุ่น)
ไอเรสเน็ต	77.31 % (รุ่น)	78.64 % (รุ่น)	79.34 % (รุ่น)	79.48 % (รุ่น)

ความต้องการ

ติดตั้งชุดข้อมูล PyTorch และ ImageNet ตามโค้ดการฝึกอบรม PyTorch ImageNet อย่างเป็นทางการ

ทางเลือกที่รวดเร็ว (โดยไม่จำเป็นต้องติดตั้ง PyTorch และไลบรารีการเรียนรู้เชิงลึกอื่นๆ) คือการใช้ NVIDIA-Docker เราใช้คอนเทนเนอร์อิมเมจนี้

การฝึกอบรม

หากต้องการฝึกโมเดล (เช่น iResNet ที่มี 50 เลเยอร์) โดยใช้ DataParallel ให้รัน main.py คุณต้องระบุ result_path (เส้นทางไดเรกทอรีที่จะบันทึกผลลัพธ์และบันทึก) และ --data (เส้นทางไปยังชุดข้อมูล ImageNet):

result_path=/your/path/to/save/results/and/logs/
mkdir -p ${result_path}
python main.py 
--data /your/path/to/ImageNet/dataset/ 
--result_path ${result_path} 
--arch iresnet 
--model_depth 50

หากต้องการฝึกอบรมโดยใช้การฝึกอบรมแบบขนานของข้อมูลแบบกระจายการประมวลผลหลายตัว ให้ทำตามคำแนะนำในโค้ดการฝึกอบรม PyTorch ImageNet อย่างเป็นทางการ