Advertisement

FixMatch-pytorch：非官方的PyTorch版本实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。
     
  • 非官方的FixMatch-Pytorch代码：“FixMatch”实现
    优质
    这段简介可以这样写： 本项目提供了一个非官方版本的PyTorch实现代码，用于复现“FixMatch”的半监督学习方法。 FixMatch-pytorch 是一个非官方的 PyTorch 实现，在 NeurIPS 20 上发布。此实现可以重现论文中的结果（包括 CIFAR10 和 CIFAR100），并包含半监督学习与完全监督方式训练模型的结果。需要 Python 3.6、PyTorch 1.6.0、torchvision 0.7.0 和 TensorBoard 2.3.0，以及 Pillow 库。 结果如下： - 分类准确率（％） 除了论文中提到的半监督学习成果外，我们还提供了完全监督学习的额外数据（50,000个标签），仅支持全监督。此外，在具有50,000个标签的情况下，一致性正则化也得到了应用。 即使在所有标签都已提供的情况下，引入一致性正则化依然提升了分类准确度。评估模型时采用了通过SGD训练过程中的指数移动平均值（EMA）方法进行评价。 对于 CIFAR10 数据集的测试结果： - 40个标签：超+一致性只吃纸（RA），86.19±3.37 - 250个标签：同上，94.93±0.65 - 4,000个标签：同样方法，此处未给出具体数值。
     
  • 非官方PyTorch版本的RandAugment重现：pytorch-randaugment
    优质
    pytorch-randaugment是一个非官方但功能强大的PyTorch库，实现了RandAugment数据增强技术，用于提高机器学习模型在图像分类任务中的性能和泛化能力。 PyTorch-Randaugment 是 RandAugment 的非官方 PyTorch 重新实现版本。大部分代码来自其他开源项目。介绍使用 RandAugment 可以在不依赖单独代理任务的情况下，对感兴趣的数据集训练模型。通过仅调整两个超参数（N 和 M），您可以获得与 AutoAugments 性能相竞争的效果。 安装方法： ``` pip install git+https://github.com/ildoonet/pytorch-randaugment ``` 用法示例： ```python from torchvision.transforms import transforms from RandAugment import RandAugment transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), # 其他转换步骤... ]) ```
     
  • CBDNet-pytorch: 非官方的PyTorch版本CBDNet
    优质
    CBDNet-pytorch是一个非官方维护的项目，提供了使用PyTorch框架实现的CBDNet代码库。该项目旨在为希望在PyTorch环境中工作的研究人员和开发者提供便利。 CBDNet-火炬CBDNet的非官方PyTorch实现。 更新2021.04.02：该代码可能存在一些实现错误，请谨慎使用。 欢迎提交拉请求。 2020.12.04：我们使用新的数据集训练了CBDNet模型，PSNR（DND基准）从38.06提升到了39.63。 快速开始指南： - 下载数据集和预训练的模型。 - 将文件解压缩到data文件夹和save_model文件夹中，如下所示： ~/ data/ SIDD_train/ Syn_train/ DND/ images_srgb/ 保存模型路径为：~/ save_model/ checkpoint.pth.tar 训练模型： python tr
     
  • RTM3D: PyTorch中的非官方RTM3D实现
    优质
    RTM3D是一款基于PyTorch开发的非官方实现工具，专为三维重建和理解任务设计，提供高效灵活的深度学习解决方案。 RTM3D-PyTorch是ECCV 2020论文的PyTorch实现版本，它基于单眼RGB图像进行实时3D对象检测，并支持张量板。该模型使用RESNET与关键点特征金字塔网络（KFPN），可以通过设置参数--arch fpn_resnet_18来选择架构。此外，还可以通过调整use_left_cam_prob参数来控制左右摄像机的图像输入。 在公式(3)中，由于log运算符不接受负值作为输入，因此不需要对dim进行归一化处理（因为归一化的dim值可能小于0）。为了适应这一情况，我直接回归到以米为单位的绝对尺寸值。对于深度估计，使用L1损失函数，并首先将sigmoid激活应用于深度输出。 在公式(5)中，我没有采用地面真实值的绝对值而是采用了相对值。而在式（7）中，则是用argmin替代了原文中的argmax操作符。这些修改旨在优化模型性能和准确性。
     
  • StyleGAN2-ADA-PyTorch：官方的PyTorch实现
    优质
    StyleGAN2-ADA-PyTorch是基于PyTorch框架的官方实现版本，它提供了高效且灵活的方式来训练和应用StyleGAN2模型，并加入了自适应数据增强功能。 StyleGAN2-ADA——官方PyTorch实施 作者：Tero Karras, Miika Aittala, Janne Hellsten, Samuli Laine, Jaakko Lehtinen 和 Timo Aila 摘要： 训练生成对抗网络（GAN）时，如果使用的数据量过小，通常会导致判别器过度拟合。这进而导致了模型在训练过程中的不稳定。 我们提出了一种自适应鉴别器增强机制来显著稳定有限数据环境下的训练。该方法不需要对损失函数或网络架构进行任何修改，并适用于从头开始的训练以及现有GAN在其他数据集上的微调操作。 我们在多个数据集中证明，仅使用几千张训练图像就能够取得良好效果；通常情况下，与需要更多数量级图片的传统StyleGAN2相比，我们的模型能够达到相似的效果。我们希望这项技术将为生成对抗网络开辟新的应用领域。 另外值得注意的是，在广泛使用的CIFAR-10基准测试中，实际上它只是一个有限数据集的示例。我们在该数据集中实现了FID分数从5.59显著提高到2.4的成绩。
     
  • PyTorch-LiteFlowNet：与官方Caffe版兼容的PyTorch版本的重新实现
    优质
    简介：PyTorch-LiteFlowNet是基于PyTorch框架对LiteFlowNet模型的重制版本，确保了其与原生Caffe版本的功能和性能一致，为深度学习开发者提供了更多灵活性。 这是使用PyTorch对LiteFlowNet的个人重新实现。如果您要利用这项工作，请引用相关文献。另外，请确保遵守作者的规定。如果使用此特定实现，请适当确认。 关于原始Caffe版本，可以参考相应的文档或资源获取更多信息。 设置： 相关层是用CuPy在CUDA中实现的，因此安装CuPy是必需的步骤之一。可以通过`pip install cupy`来安装它，或者根据CuPy存储库中的说明使用提供的方法进行安装。如果想通过Docker运行，请查阅相关的pull请求以开始操作。 使用方法： 要在自己的图像对上运行此代码，请按照以下命令执行。可以选择三种不同的模型版本，在选择时请参考各型号的详细信息。 python run.py [options]
     
  • FastAutoAugment的官方PyTorch实现（Python版）
    优质
    简介：本文提供FastAutoAugment算法的官方PyTorch实现代码，助力于图像分类任务中的数据增强处理。 **Python FastAutoAugment官方PyTorch实现详解** 在机器学习领域，数据增强是一种非常重要的技术，用于扩大训练集的多样性，从而提升模型的泛化能力。Fast AutoAugment是数据增强的一种高效策略，它通过自动搜索算法来寻找最优的数据增强策略。本段落将深入探讨Fast AutoAugment的基本原理及其在PyTorch中的官方实现。 ### 1. Fast AutoAugment简介 Fast AutoAugment是一种基于自动机器学习（AutoML）的方法，旨在自动化地发现最佳数据增强策略。传统的数据增强方法如随机旋转、裁剪和翻转等通常需要人工设定参数，而Fast AutoAugment的目标是通过搜索算法找到最优的参数组合以最大化模型性能。 ### 2. 工作原理 Fast AutoAugment由两个主要部分组成：子政策（Sub-policies）和控制器（Controller）。子政策是由一系列操作组成的序列，每个操作都有特定的概率和强度。控制器负责生成并评估这些子策略，并通过强化学习优化整个策略的性能。 ### 3. PyTorch实现 `fast-autoaugment-master`是Fast AutoAugment在PyTorch环境下的官方实现版本，包含以下主要部分： - **Policy Search**: 负责生成和评估子政策，使用基于RNN的控制器进行强化学习。 - **Data Augmentation Operations**: 实现了各种数据增强操作如剪切、缩放以及色彩调整等。 - **Training Loop**: 设计了一个训练循环，包括模型训练、应用数据增强策略及性能评估步骤。 - **Utils**: 提供了一些辅助函数，例如日志记录、参数设置和结果可视化。 ### 4. 使用流程 1. 安装依赖：首先确保已安装PyTorch和其他必要的库如torchvision。 2. 配置参数：修改配置文件以设定模型类型、数据集及搜索策略等参数。 3. 运行搜索：运行搜索算法，让控制器生成并评估不同的子政策，并记录最佳性能的策略。 4. 训练模型：使用找到的最佳策略对训练数据进行增强，并用这些增强的数据来训练模型。 5. 评估结果：计算验证集或测试集中模型的表现，对比不同策略的效果。 ### 5. 实战应用 Fast AutoAugment适用于各种图像识别任务，例如ImageNet分类和COCO对象检测等。通过使用这个官方实现版本，开发者可以快速集成到自己的项目中并提高有限数据条件下模型的性能表现。 ### 6. 总结 作为数据增强领域的重大进展之一，Fast AutoAugment通过自动化搜索最优策略减少了人工调参的工作量。PyTorch提供的官方实现在理解与应用方面更加便捷。掌握这一技术对于提升机器学习模型在处理图像任务时的表现具有显著帮助作用。
     
  • PyTorch-ARM-Builds：适用于ARM设备的非官方PyTorch及Torchvision版本
    优质
    PyTorch-ARM-Builds提供针对ARM架构设备的非官方PyTorch和Torchvision库版本，便于在嵌入式系统或移动设备上进行深度学习开发。 pytorch-arm-builds 提供了非官方的 ARMv6、ARMv7 和 Aarch64 构建版本，适用于 Raspberry Pi 0、1、2、3、4 等设备及 Android 手机等平台。 ### 常见问题解答 #### 1. 构建过程 构建详细说明如下： - 这些是在带有 qemu-static chroot 的 Fedora x86_64 系统上进行的。 - armv6 版本在 Raspberry Pi Zero WH（运行 Raspbian） 上完成构建。 #### 2. 依赖关系 PyTorch 的 Python 包仅需要 numpy。建议使用发行版包管理器下载二进制版本，避免自行编译。还需其他一些依赖项如 openblas、libgom 和 pillow 等。 Python 解释器在导入时会警告缺失的模块。 Fedora 用户可以通过以下命令安装所需依赖： ```bash sudo dnf install ``` 请根据实际需要替换 `` 为具体的包名。
     
  • AnimeGANv2-PyTorch: AnimeGANv2的PyTorch版本实现
    优质
    AnimeGANv2-PyTorch是基于PyTorch框架实现的AnimeGANv2代码库，用于将照片风格转换成日式漫画风格，提供模型训练和预处理工具。 PyTorch实现 从原始存储库转换权重（需要TensorFlow 1.x） ``` git clone https://github.com/TachibanaYoshino/AnimeGANv2 python convert_weights.py ``` 推理： ``` python test.py --input_dir [image_folder_path] --device [cpu/cuda] ``` 这是经过转换的模型的结果样式（从左到右：输入图像，原始TensorFlow结果，PyTorch结果）。 脸部模型是从带有L2 + VGG + GAN损失和CelebA-HQ图像中提取出来的。有关推断，请参见test_faces.ipynb文件。 注意：不包含训练代码，在RTX3090 + PyTorch1.7.1上进行了测试，由于转换后的权重结果略有不同。