Resnet26

🚀 ResNet26

ResNet26 是對論文 用於圖像識別的深度殘差學習 中提出的 ResNet 模型的實現，可用於圖像分類任務。

🚀 快速開始

以下是使用 ResNet 不同變體的基本代碼示例：

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

# 論文 `卷積神經網絡圖像分類的技巧集 <https://arxiv.org/pdf/1812.01187.pdf`_ 中提出的變體 (d)
ResNet.resnet26d()
ResNet.resnet34d()
ResNet.resnet50d()
# 你可以通過更改 `stem` 和 `block` 來構建自己的模型
resnet101d = ResNet.resnet101(stem=ResNetStemC, block=partial(ResNetBottleneckBlock, shortcut=ResNetShorcutD))

💻 使用示例

基礎用法

# 更改激活函數
ResNet.resnet18(activation = nn.SELU)
# 更改分類數量（默認是 1000）
ResNet.resnet18(n_classes=100)
# 傳入不同的塊
ResNet.resnet18(block=SENetBasicBlock)
# 更改 stem
model = ResNet.resnet18(stem=ResNetStemC)
# 更改 shortcut
model = ResNet.resnet18(block=partial(ResNetBasicBlock, shortcut=ResNetShorcutD))

高級用法

# 存儲每個特徵
x = torch.rand((1, 3, 224, 224))
# 獲取特徵
model = ResNet.resnet18()
# 首先調用 .features，這將激活前向鉤子並告訴模型你想獲取特徵
model.encoder.features
model(torch.randn((1,3,224,224)))
# 從編碼器獲取特徵
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])]

📄 許可證

本項目採用 Apache-2.0 許可證。