文件名称：image_classification:使用ResNets推动CIFAR-10 SOTA
文件大小：2.06MB
文件格式：ZIP
更新时间：2024-05-20 20:04:17
keras image-classification resnet cifar10 tensorflow2
使用ResNets进行图像分类 该项目的目标是首先在CIFAR10上复制ResNet SOTA结果，并使用最近发布的一些更新来尽可能提高这种最新状态。 使用这样的更新，使用仅由0.27M参数组成的20层ResNet，我就可以在CIFAR10测试集上实现6.90％的错误率。 为了进行比较，显示的原始ResNet20的错误率为8.75％ 。 此20层模型的性能与原始ResNet56的性能相当，据报道，其错误率为6.97％ 。 通过用其ResNeXt等效物替换ResNet块，错误率进一步降低到5.32％ 。 模型 测试错误 测试ACC 8.75 91.25 XResNet20 8.18 91.82 MXResNet20 7.93 92.07 SE-MXResNet20 7.81 92.19 +余弦衰减 7.53 92.47 +标签平滑 7.49 92.51 +
【文件预览】：
image_classification-master
----layers()
--------__init__.py(23B)
--------mish.py(1001B)
----train.py(2KB)
----utils()
--------resnetscheduler.py(520B)
--------config.py(420B)
--------dispatcher.py(2KB)
--------calc_cifar_stats.py(694B)
--------__init__.py(80B)
----models()
--------mxresnet.py(12KB)
--------se_mxresnext.py(9KB)
--------__init__.py(917B)
--------xresnext.py(11KB)
--------xresnet.py(12KB)
--------se_mxresnet.py(14KB)
----preprocessors()
--------padpreprocessor.py(599B)
--------meanpreprocessor.py(1KB)
--------patchpreprocessor.py(633B)
--------reflectionpadpreprocessor.py(686B)
--------__init__.py(253B)
--------flippreprocessor.py(325B)
----output()
--------se-mxresnet.png(27KB)
----test.py(927B)
----requirements.txt(98B)
----__init__.py(0B)
----nbs()
--------cifar10_resnets.ipynb(55KB)
----weights()
--------se-mxresnet20_180.h5(2.59MB)
----LICENSE(1KB)
----README.md(8KB)
----callbacks()
--------linearwarmupscheduler.py(2KB)
--------cosinescheduler.py(2KB)
--------__init__.py(147B)
--------trainingmonitor.py(3KB)
----data()
--------mixupcifargenerator.py(2KB)
--------__init__.py(158B)
--------cifargenerator.py(2KB)
--------datadispatcher.py(4KB)
----.gitignore(2KB)
----cifar10_stats.json(66B)