Dorefa网 的pytorch实施 .The代码的灵感来自和 。 要求 python> 3.5 火炬> = 1.1.0 火炬视觉> = 0.4.0 每晚，未来（用于张量板） nvidia-dali> = 0.12（更快的 ） Cifar-10精度 从头开始训练量化模型 模型 W_位 一点点 加速器 网路18 32 32 94.71％ 网路18 4 4 94.36％ 网路18 1个 4 93.87％ ImageNet精度 从头开始训练量化模型 模型 W_位 一点点 前1名 前5 网路18 32 32 69.80％ 89.32％ 网路18 4 4 66.60％ 87.15％ 用法 下载ImageNet数据集并将验证图像移动到带标签的子文件夹中。为此，您可以使用以下 训练模型 python3 cifar_train_eval.py pyt

对比学习方法 支持更多内容的对比学习方法的第三方pytorch实现（请参阅“可用内容”部分）。 有什么可用的？ 使用SimCLR进行对比学习预训练 通过停止梯度进行在线线性评估 Pytorch闪电登录和默认收益（多GPU训练，混合精度等） 在GPU装置上收集负片以模拟更大的批次大小（尽管梯度不会在GPU上流动） 使用加快数据加载速度（以使用更多GPU内存为代价） SimCLR多分辨率农作物 SimCLR + 预训练后线性评估（通常得出1-1.5％的准确度点） 工作于： 结果 模型 方法 数据集 时代 批 温度 多作 大理 监督下 在线线性评估 预训练后线性评估 Resnet18 SimCLR Imagenet-100 100 256 0.2 70.74 71.02 Resnet18 SimCLR Imagenet-100 100 256 0.2 :check_mark_button:

朱大佬用