nfnets-Tensorflow-2:经过预训练的NFNet,其准确度达到官方论文“无需归一化的高性能大规模图像识别”的99%-源码

上传者: 42112894 | 上传时间: 2021-09-06 03:15:14 | 文件大小: 143KB | 文件类型: ZIP
无规范化网络和SGD的Tensorflow实现-自适应梯度剪切 论文: : 原始代码: : 安装及使用 我建议使用Docker运行代码: docker build -t nfnets/imagenet:latest --build-arg USER_ID=$(id -u) --build-arg GROUP_ID=$(id -g) . 要在imagenet数据集上训练NFNet,请执行以下操作: docker run --rm -it --gpus all -v $(pwd):/tf -p 8889:8888 -p 6006:6006 nfnets/imagenet:latest python train.py --variant F0 --batch_size 4096 --num_epochs 360 请参阅train.py模块以获取更多参数。 预先训练的权重已转换为

文件下载

资源详情

[{"title":"( 12 个子文件 143KB ) nfnets-Tensorflow-2:经过预训练的NFNet,其准确度达到官方论文“无需归一化的高性能大规模图像识别”的99%-源码","children":[{"title":"nfnets-Tensorflow-2-main","children":[{"title":"train.py <span style='color:#111;'> 6.11KB </span>","children":null,"spread":false},{"title":"Test NFNets models with pretrained weights.ipynb <span style='color:#111;'> 176.19KB </span>","children":null,"spread":false},{"title":"base.py <span style='color:#111;'> 3.14KB </span>","children":null,"spread":false},{"title":"Dockerfile <span style='color:#111;'> 670B </span>","children":null,"spread":false},{"title":"requirements.txt <span style='color:#111;'> 180B </span>","children":null,"spread":false},{"title":"dataset.py <span style='color:#111;'> 18.72KB </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 1.05KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 1.59KB </span>","children":null,"spread":false},{"title":"autoaugment.py <span style='color:#111;'> 24.96KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 1.82KB </span>","children":null,"spread":false},{"title":"nfnet.py <span style='color:#111;'> 16.96KB </span>","children":null,"spread":false},{"title":"evaluate_imagenet.py <span style='color:#111;'> 1.50KB </span>","children":null,"spread":false}],"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明