Resnet34

🚀 ResNet34

ResNet34は、Deep Residual Learning for Image Recognitionで提案されたResNetの実装です。画像分類タスクに特化したモデルで、ImageNetデータセットを用いて訓練されています。

🚀 クイックスタート

ResNet34を使用するには、以下のように関数を呼び出します。

ResNet.resnet18()
ResNet.resnet26()
ResNet.resnet34()
ResNet.resnet50()
ResNet.resnet101()
ResNet.resnet152()
ResNet.resnet200()

# `Bag of Tricks for Image Classification with Convolutional Neural Networks <https://arxiv.org/pdf/1812.01187.pdf>`_ で提案されたバリアント (d)
ResNet.resnet26d()
ResNet.resnet34d()
ResNet.resnet50d()
# `stem` と `block` を変更することで独自のモデルを構築できます
resnet101d = ResNet.resnet101(stem=ResNetStemC, block=partial(ResNetBottleneckBlock, shortcut=ResNetShorcutD))

💻 使用例

基本的な使用法

# 活性化関数を変更する
ResNet.resnet18(activation = nn.SELU)
# クラス数を変更する (デフォルトは1000)
ResNet.resnet18(n_classes=100)
# 異なるブロックを渡す
ResNet.resnet18(block=SENetBasicBlock)
# ステムを変更する
model = ResNet.resnet18(stem=ResNetStemC)
# ショートカットを変更する
model = ResNet.resnet18(block=partial(ResNetBasicBlock, shortcut=ResNetShorcutD))

高度な使用法

# 各特徴を保存する
x = torch.rand((1, 3, 224, 224))
# 特徴を取得する
model = ResNet.resnet18()
# 最初に .features を呼び出す。これにより、フォワードフックがアクティブ化され、モデルに特徴を取得することを伝えます
model.encoder.features
model(torch.randn((1,3,224,224)))
# エンコーダから特徴を取得する
features = model.encoder.features
print([x.shape for x in features])
#[torch.Size([1, 64, 112, 112]), torch.Size([1, 64, 56, 56]), torch.Size([1, 128, 28, 28]), torch.Size([1, 256, 14, 14])]

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で提供されています。