iresnet

改進的殘差網絡

這是「Improved Residual Networks for Image and Video Recognition」論文的 PyTorch 實作：

 @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},
}

在 ImageNet 上訓練的模型可以在這裡找到。

iResNet（改進的殘差網路）能夠在不增加參數數量和計算成本的情況下提高基線（ResNet）的識別效能。 iResNet 在訓練非常深的模型方面非常有效（詳細資訊請參閱論文）。

ImageNet 上的準確度（使用預設訓練設定）：

網路	50層	101層	152層	200層
殘差網路	76.12%（模型）	78.00%（模型）	78.45%（模型）	77.55%（模型）
資源網	77.31 %（模型）	78.64 %（模型）	79.34 %（模型）	79.48 %（模型）

要求

依照官方 PyTorch ImageNet 訓練程式碼安裝 PyTorch 和 ImageNet 資料集。

一個快速的替代方案（無需安裝 PyTorch 和其他深度學習庫）是使用 NVIDIA-Docker，我們使用了這個容器映像。

訓練

若要使用 DataParallel 訓練模型（例如，具有 50 層的 iResNet），請執行main.py ；您還需要提供result_path （保存結果和日誌的目錄路徑）和--data （ImageNet 資料集的路徑）：

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

若要使用多處理分散式資料並行訓練進行訓練，請遵循官方 PyTorch ImageNet 訓練程式碼中的說明。