330+ 个机器学习模型/库探索工具!Papers With Code 重磅推出!
今天给大家推荐一个硬核干货:一个基于 PyTorch 的图像模型库(PyTorch Image Models,TIMM),用于最新图像分类。
这个库从 330+ 种预训练的最新图像分类模型中进行选择,方便我们使用提供的脚本在 ImageNet 等研究数据集上重新训练模型。而且,可以在自己的数据集上微调预训练的模型,包括最新的前沿模型。
话不多说,直接放上 TIMM 的开源地址:
https://paperswithcode.com/lib/timm
TIMM 包含的模型很丰富,例如:
Vision Transformer
RexNet
CSP DarkNet
ResNeSt
TResNet
RegNetX
RegNetY
EfficientNet Pruned
Big Transfer
CSP ResNet
下面以 Vision Transformer 为例,看看这个库包含了哪些内容!
Vision Transformer 将输入图片拆分成 16x16个patches,每个 patch 做一次线性变换降维同时嵌入位置信息,然后送入 Transformer,避免了像素级 attention 的运算。
https://paperswithcode.com/lib/timm/vision-transformer
Vision Transformer 支持的模型有 vit_base_patch16_224、vit_base_patch16_384、vit_base_resnet50_384 等等。vit_base_patch16_224 包含的参数为 87 million,FLOPs 为 67 billion,文件大小为 330.25 Mb,训练集为 ImageNet,训练资源为 TPUv3。
详细的训练参数如下:
作者给出了 Paper 地址:
https://arxiv.org/abs/2010.11929v1
完整代码:
https://github.com/rwightman/pytorch-image-models/blob/5f9aff395c224492e9e44248b15f44b5cc095d9c/timm/models/vision_transformer.py#L503
权重文件:
https://github-releases.githubusercontent.com/168799526/65360900-1a09-11eb-8b86-f0a014a6f156?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAIWNJYAX4CSVEH53A%2F20210301%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Date=20210301T142533Z&X-Amz-Expires=300&X-Amz-Signature=dd5f6097d17aa535123ad040855f737354442b69683756b0dcdf8f5fda8da6d8&X-Amz-SignedHeaders=host&actor_id=0&key_id=0&repo_id=168799526&response-content-disposition=attachment%3B%20filename%3Djx_vit_base_p16_224-80ecf9dd.pth&response-content-type=application%2Foctet-stream
如何使用?
导入预训练模型:
import timm
m = timm.create_model('vit_large_patch16_224', pretrained=True)
m.eval()
用你要使用的型号替换型号名称,例如 vit_large_patch16_224。
如何训练模型?
你可以使用 TIMM 的脚本来重新训练新模型,链接:
https://rwightman.github.io/pytorch-image-models/scripts/
结果比较
不同模型在 ImageNet 上测试的结果如下:
更多精彩的功能还等着大家去挖掘和发现!最后再次放上该库的地址:
https://paperswithcode.com/lib/timm
更多硬核干货,请见阅读原文!
真正的“防抖”神奇——基于CNN
http://www.taodudu.cc/news/show-600244.html
相关文章:
- 撒花!李宏毅机器学习 2021 版正式开放上线
- 一步一步教你如何将 yolov3/yolov4 转为 caffe 模型
- ODS:输出多样化采样,有效增强白盒和黑盒攻击的性能 | NeurIPS 2020
- 《algorithm-note》算法笔记中文版正式发布!
- 你所不知道的 Transformer!
- 超详细的 Bert 文本分类源码解读 | 附源码
- TopPaper:AI 初学者经典论文列表
- 从零开始带你一步一步使用YOLOv3训练自己的数据
- 中文情感分类单标签
- 从零开始带你一步一步使用YOLOv3测试自己的数据
- 从零开始带你一步一步使用 YOLOv3 测试自己的数据
- 深入探讨!Batch 大小对训练的影响
- 涵盖 14 大主题!最完整的 Python 学习实例集来了!
- 我用 PyTorch 复现了 LeNet-5 神经网络(CIFAR10 数据集篇)!
- 我用 PyTorch 复现了 LeNet-5 神经网络(自定义数据集篇)!
- 手撕 CNN 经典网络之 AlexNet(理论篇)
- 手撕 CNN 之 AlexNet(PyTorch 实战篇)
- 手撕 CNN 经典网络之 VGGNet(理论篇)
- 手撕 CNN 经典网络之 VGGNet(PyTorch实战篇)
- DIscuz论坛上传附件2M限制修改
- wdpc V3 phpmyadmin打不开的一种解决方式(实测有效)
- 任务二 用户注册界面设计
- 5 Android数据存储 任务二 应用程序数据文件夹里的文件读写 ,
- 图像处理实战 多张曲线同图共舞
- google设置在新标签页打开的方法
- 【5 数学规划】实际问题实战
- 【6 插值方法】实例实战篇
- 数学实验思维导图
- 基于源码仿建视频解析网站
- dos窗口ping命令测试实战
330+ 个机器学习模型/库探索工具!Papers With Code 重磅推出!相关推荐
- 【机器学习】SHAP- 机器学习模型解释可视化工具
SHAP 是机器学习模型解释可视化工具.在此示例中,使用 SHAP 计算使用 Python 和 scikit-learn 的神经网络的特征影响 .对于这个例子,使用 scikit-learn 的 糖尿 ...
- 【机器学习】Auto-Sklearn:使用 AutoML 加速你的机器学习模型
AutoML 是机器学习中一个相对较新的领域,它主要将机器学习中所有耗时过程自动化,如数据预处理.最佳算法选择.超参数调整等,这样可节约大量时间在建立机器学习模型过程中. 今天我将用一个简单的示例来全 ...
- 一切为了开放科学!Papers with Code 新增CS、物理、数学、统计学等多个学科
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:机器之心 AI博士笔记系列推荐 周志华<机器学习> ...
- 一切为了开放科学!Papers with Code新增CS、物理、数学、统计学等多个学科
本文转载自机器之心. 机器之心报道 参与:魔王 资源网站 Papers with Code 又有新举措.这次它向多个科学领域扩展,除了机器学习以外,还增加了物理学.数学.计算机科学.统计学和天文学的论 ...
- combo:机器学习模型合并工具库
点击上方"Datawhale",选择"星标"公众号 第一时间获取价值内容 机器学习中的模型合并(model combination)可以通过合并多个模型达到提升 ...
- sklearn库安装_没有依赖库也能跑机器学习模型!推荐一个强大工具m2cgen
晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI m2cgen(Model 2 Code Generator)是一个轻量级代码生成器,它可以将训练好的机器学习模型转换成无需依赖库的本地代码. ...
- python 博弈论 库_6个Python库解释机器学习模型并建立信任
在机器学习模型中建立信任的案例 全球道路上大约有12亿辆汽车.这是一个令人毛骨悚然的问题-您认为实际上有多少驾驶员了解车辆的内部运行情况? 正如您可能已经猜到的,答案只有少数几个人.我们不需要了解驾驶 ...
- Google重磅发布开源库TFQ,快速建立量子机器学习模型
整理 | 弯月 编辑 | 郭芮 出品 | AI科技大本营(ID:rgznai100) 近日,Google 与滑铁卢大学.大众汽车等联合发布 TensorFlow Quantum(TFQ),一个可快速建 ...
- What-If 工具:无需写代码,即可测试机器学习模型
文 / Google AI 软件工程师 James Wexler 构建有效的机器学习 (ML) 系统需要提出许多问题.仅仅训练一个模型,然后放任不管,是远远不够的.而优秀的开发者就像侦探一样,总是不断 ...
最新文章
- linux putty 永久修改字体大小
- spring和hibernate整合的几种方式详细介绍
- ArcGIS API For JS之网络分析(临近设施分析)
- 携程发布2020年财报:四季度营业利润率10% 疫情以来连续两季度盈利
- 面试精讲之面试考点及大厂真题 - 分布式专栏 05 公司使用什么RPC框架,聊聊你理解的RPC原理
- 米莱狄机器人怎么那么多_王者荣耀米莱狄攻略,团战技能好了就丢,操作最简单上分法师...
- http请求后status为canceled处理
- Linux(CentOS) 下安装字体
- python 获取请求链接下载文件的大小和文件特征
- eMMC mmcblk0boot0
- WPF开发之dll文件创建与调用
- 2014微软open day 51CTO讲师、博主、版主~
- Netty源码解析-Netty内存泄露检测
- php如何开启电脑前置摄像头像素多少,Surface Pro 4有摄像头吗?摄像头像素是多少?...
- 那些著名或非著名的iOS面试题(中)
- BigCommerce vs WooCommerce –哪个更好? (比较)
- 基础编程题目集 函数题部分
- 鼠标滚轮事件mousewheel和DOMMouseScroll
- 聊聊jvm的Code Cache
- RPA在人力资源上的应用
热门文章
- php - Api 接口写法规范和要求
- 如何在防火墙或路由器中禁止访问一些公司不相关网站
- html比较难记的点
- 跟JBPM学设计模式之适配器模式
- runat=server 所代表及隐含的意义
- 用sqlSessionFactoryBeanName而不用sqlSessionFactory的原因
- P1262_美帝的间谍网络被我部捕获!
- Appium——appium之mac环境安装
- Aspose.Words提示The document appears to be corrupted and cannot be loaded.
- 【.Net 学习系列】-- EF Core实践(Code First)