PyTorch预训练模型在CIFAR-10数据集上的应用指南

PyTorch预训练模型在CIFAR-10数据集上的应用指南

【免费下载链接】PyTorch_CIFAR10 Pretrained TorchVision models on CIFAR10 dataset (with weights) 项目地址: https://gitcode.com/gh_mirrors/py/PyTorch_CIFAR10

本项目提供了基于CIFAR-10数据集训练的PyTorch预训练模型，包含多种经典卷积神经网络架构的优化版本。这些模型经过专门调整，能够有效处理CIFAR-10的小图像尺寸，为图像分类任务提供即用解决方案。

模型概览

项目支持13种主流深度学习模型，每种模型都经过充分训练并在CIFAR-10数据集上表现出色：

序号	模型名称	验证准确率	参数量	模型大小
1	vgg11_bn	92.39%	28.150 M	108 MB
2	vgg13_bn	94.22%	28.334 M	109 MB
3	vgg16_bn	94.00%	33.647 M	129 MB
4	vgg19_bn	93.95%	38.959 M	149 MB
5	resnet18	93.07%	11.174 M	43 MB
6	resnet34	93.34%	21.282 M	82 MB
7	resnet50	93.65%	23.521 M	91 MB
8	densenet121	94.06%	6.956 M	28 MB
9	densenet161	94.07%	26.483 M	103 MB
10	densenet169	94.05%	12.493 M	49 MB
11	mobilenet_v2	93.91%	2.237 M	9 MB
12	googlenet	92.85%	5.491 M	22 MB
13	inception_v3	93.74%	21.640 M	83 MB

快速开始

下载预训练权重

python train.py --download_weights 1

加载和使用预训练模型

from cifar10_models.vgg import vgg11_bn, vgg13_bn, vgg16_bn, vgg19_bn

# 加载未训练模型
my_model = vgg11_bn()

# 加载预训练模型
my_model = vgg11_bn(pretrained=True)
my_model.eval()  # 设置为评估模式

数据预处理

所有模型期望输入数据在[0, 1]范围内，并使用以下参数进行归一化：

mean = [0.4914, 0.4822, 0.4465]
std = [0.2471, 0.2435, 0.2616]

模型训练

要从头开始训练模型，可以使用以下命令：

python train.py --classifier resnet18

要复现相同的准确率，请使用默认的超参数设置。

模型测试

测试预训练模型的性能：

python train.py --test_phase 1 --pretrained 1 --classifier resnet18

输出结果示例：{'acc/test': tensor(93.0689, device='cuda:0')}

技术特点

• 模型优化：对TorchVision官方实现进行了修改，调整了类别数量、滤波器大小、步长和填充参数
• 高度可复现：使用PyTorch-Lightning框架确保代码的可复现性和可读性
• 即插即用：提供预训练权重文件，支持快速加载和使用

环境要求

仅使用预训练模型：

• pytorch = 1.7.0

训练和测试：

• pytorch = 1.7.0
• torchvision = 0.7.0
• tensorboard = 2.2.1
• pytorch-lightning = 1.1.0

应用场景

这些预训练模型适用于：

• 图像分类任务
• 特征提取
• 迁移学习
• 快速原型开发

通过使用这些经过优化的模型，您可以节省大量的训练时间和计算资源，快速构建高效的图像识别系统。

【免费下载链接】PyTorch_CIFAR10 Pretrained TorchVision models on CIFAR10 dataset (with weights) 项目地址: https://gitcode.com/gh_mirrors/py/PyTorch_CIFAR10