Pytorch实现PNASNet(Progressive Neural Architecture Search)

基于ImageNet预训练模型的微调的迁移学习的实现

arxiv

Xu Jing

实现了：

• 数据增强

  • 随机水平翻转
  • 随机竖直翻转
  • 随机亮度值(brightness)
  • 随机色调(hue)
  • 随机饱和度(saturation)
  • 随机对比度(contrast)

• Pytorch加载训练集的pipeline

• 基于ImageNet预训练的模型微调的PNASNet及训练

• 单张图像和视频的推断

训练的参数设置：

• batch size:16
• epochs:300
• Loss: CrossEntropyLoss
• optim: Adam
• lr: feature_param:0.0001, linear_param: 0.001
• 硬件：ubuntu 16.04 64G, Tesla V100(32G)

模型训练:

python3 model.py

推断模型：

python3 inference.py
python3 inference_video.py

测试结果：