文件名称：celebA:CelebA数据集上的shortfuse
文件大小：7.85MB
文件格式：ZIP
更新时间：2024-04-30 06:07:53
JupyterNotebook
CelebA面部属性预测-吸引力 更新了python脚本，因为使用gpu集群设置jupyter内核更加困难。 问题 使用深度学习在CelebA数据集中预测二进制面部特征。 研究是否可以通过短路来提高性能。 模型 预训练的VGG-16，最后一个线性层经过修改，可进行二进制分类。 model = models . vgg16_bn ( pretrained = True ) num_ftrs = model . classifier [ 6 ]. in_features model . classifier [ 6 ] = nn . Linear ( num_ftrs , 2 ) 没有混合层的实验 首先尝试在ImageNet上对prenet-18进行预训练，然后冻结除最后一层以外的所有图层。 验证准确性约为63％。 然后将预训练的resnet替换为预训练的VGG-16。 在训练集的一个纪元
【文件预览】：
celebA-main
----.gitignore(50B)
----written_report()
--------draft.tex(5KB)
----CelebA.py(7KB)
----.gitattributes(66B)
----misc()
--------celeb_a_legacy.py(5KB)
--------get_covariates.py(1KB)
--------experiment_vgg16_pretrained.txt(7KB)
--------draft.tex(5KB)
--------hybrid_CNN_legacy.py(5KB)
--------Get_structured_covariates.ipynb(34KB)
--------__init__.py(0B)
--------temp.py(161B)
--------celeb_a_legacy.ipynb(204KB)
--------unzip_celeba.py(197B)
----.ipynb_checkpoints()
--------CelebA-checkpoint.ipynb(26KB)
----model()
--------hybrid_CNN.py(2KB)
--------__init__.py(0B)
--------vgg16.py(4KB)
----readme.md(9KB)
----experiment_outputs()
--------with_hybrid_varying_cov_and_batchsize()
--------baseline_varying_bacthsize()
--------hybrid_layer_varying_batchsize()
----CelebA.ipynb(12KB)
----data()
--------celeba()