关键词：
【模型复现 】超简单复现轻量架构网络模型《Shufflenet—v2》
极链AI云
关注极链AI云公众号，学习更多知识！
文章目录
一、模型详情
1.模型简介
近来，深度CNN网络如ResNet和DenseNet，已经极大地提高了图像分类的准确度。但是除了准确度外，计算复杂度也是CNN网络要考虑的重要指标，过复杂的网络可能速度很慢，一些特定场景如无人车领域需要低延迟。另外移动端设备也需要既准确又快的小模型。为了满足这些需求，一些轻量级的CNN网络如MobileNet和ShuffleNet被提出，它们在速度和准确度之间做了很好地平衡。今天我们要讲的是ShuffleNetv2，它是旷视最近提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。
2.关键词
高复杂度、低元素级运算
3.应用场景
图像预测
4.模型结构
5.论文地址
https://arxiv.org/pdf/1807.11164.pdf
6.代码地址
https://github.com/TropComplique/shufflenet-v2-tensorflow
二、效果展示
三、平台环境准备
1.打开极链AI云平台
2.点击模型
3.选择并创建实例
4.使用jupyterlab连接
四、模型复现
1.打开终端
2.环境配置
输入以下代码，执行配置命令
cd ..
cd ..
# 进入根目录
cp -r /datasets/ImageNet-1000 ../../user-data
# 将复现所需的公开数据集复制到指定文件夹下
cp -r modelsets/shufflenet/shufflenet_v2_batch1024_imagenet_20200812-5bf4721e.pth ../../user-data
# 将复现所需的预训练权重文件复制到指定文件夹下
3.模型推断
执行以下代码，执行推断命令
python inference.py
# 实际标签为211，推断标签为363。可通过不断提高训练的批次（epoch）降低损失率（loss）来提高模型检测的精度。
4.模型训练
执行以下代码，执行训练命令
python train.py
5.模型测试
在默认路径下执行以下代码
python test.py
[注意力机制]经典网络模型2——cbam详解与复现(代码片段)
...篇：简单入门PyTorch🏆神经网络篇：经典网络模型💻算法篇：再忙也别忘了LeetCode[注意力机制]经典网络模型2——CBAM详解与复现🚀ConvolutionalBlockAttentionModule🚀CBAM详解🎨背景知识🎨论文贡献... 查看详情
tf.kerastf.keras模型复现(代码片段)
keras构建模型很简单，上手很方便，同时又是tensorflow的高级API，所以学学也挺好。模型复现在我们的实验中也挺重要的，跑出了一个模型，虽然我们可以将模型的checkpoint保存，但再跑一遍，怎么都得不到相同的结果，对我而言... 查看详情
[注意力机制]经典网络模型1——senet详解与复现(代码片段)
...篇：简单入门PyTorch🏆神经网络篇：经典网络模型💻算法篇：再忙也别忘了LeetCode[注意力机制]经典网络模型1——SENet详解与复现🚀Squeeze-and-ExcitationNetworks🚀SENet详解🎨Squeeze-and-Excitationblock🚩Sq... 查看详情
推荐模型复现：精排模型deepfmdin(代码片段)
1.DeepFM模型1.1DeepFM模型产生背景DNN的参数过大：当特征OneHot特征转换为DenseVector时，网络参数过大。FNN和PNN的交叉特性少：使用预训练好的FM模块，连接到DNN上形成FNN模型，后又在Embeddinglayer和hiddenlayer1之间增加... 查看详情
resnet-rs架构复现--cvpr2021
...法4、改进的缩放策略5、Appendix5.1Pareto曲线中所有ResNet-RS模型的详细信息5.2ResNet-RS架构细节5.3ScalingAnalysisRegularizationandModelDetails6、ResNet-RS架构搭建6.1模型配置项6.2get_survival_probability6.3fixed_padding6.4Conv2DFixedPadding6.5STEM块6.6SE注意力机... 查看详情
推荐模型复现：召回模型youtubednndssm(代码片段)
本章为推荐模型复现第三章，使用torch_rechub框架进行模型搭建，主要介绍推荐系统召回模型YoutubeDNN、DSSM，包括结构讲解与代码实战，参考其他文章。推荐方向资料推荐： 1.RecHubWiki 2.FunRec1.DSSM1.1DSSM模型原理DS... 查看详情
模型复现的学习笔记
参数对齐在这一步，需要保证两份代码的参数配置是对齐的；前向运算对齐 查看详情
cv+deeplearning——网络架构pytorch复现系列——basenets(backbones)(代码片段)
...、目标检测、语义分割）中深度学习各个经典的网络模型，以便初学者使用（深入浅出）！代码都运行无误！！首先复现深度学习经典网络模型（basenet）（就是家喻户晓的Backbone，但是... 查看详情
基于paddlepaddle实现mobilenets_v1复现(代码片段)
...式设备提出的一种轻量级的深层神经网络;中点在于压缩模型，同时保证精度。MobileNets是基于一个流线型的架构，它使用深度可分离的卷积来构建轻量级的深层神经网络。二、网络特点DepthwiseConvolutionalFilterPointwiseConvolution... 查看详情
基于cafferesnet-50网络实现图片分类（仅推理）的实验复现
...现图片分类（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。本文分享自华为云社区《【CANN训练营】【2022第二季】【新手班】基于CaffeResNet-50网络实现图片分类（仅推理... 查看详情
推荐模型复现：多任务模型esmmmmoe(代码片段)
多任务模型：ESMM、MMOE本章为推荐模型复现第四章，使用torch_rechub框架进行模型搭建，主要介绍推荐系统召多任务模型ESMM、MMOE，包括结构讲解与代码实战，参考其他文章。推荐方向资料推荐：1.RecHubWiki 2.F... 查看详情
r-drop论文复现与理论讲解(代码片段)
...的随机性，研究员们提出了R-Drop来进一步对（子模型）网络的输出预测进行了正则约束。本文分享自华为云社区《R-Drop论文复现与理论讲解》，作者：李长安。R-Drop:RegularizedDropoutforNeuralNetworks由于深度神经网... 查看详情
基于mindspore复现unet—语义分割(代码片段)
基于MindSpore复现UNet—语义分割1.模型简介1.1模型结构1.2模型特点2.案例实现2.1环境准备与数据读取2.2数据集创建2.3模型构建2.4自定义评估指标2.5模型训练及评估2.6模型预测3.总结1.模型简介Unet模型于2015年在论文《U-Net:ConvolutionalNet... 查看详情
基于cafferesnet-50网络实现图片分类（仅推理）的实验复现(代码片段)
...（仅推理）为例，学习如何在已经具备预训练模型的情况下，将该模型部署到昇腾AI处理器上进行推理。本文分享自华为云社区《【CANN训练营】【2022第二季】【新手班】基于CaffeResNet-50网络实现图片分类（仅... 查看详情
koa洋葱模型源码简析+极简复现——简单的递归(代码片段)
...og(3);ctx.body='helloworld';awaitnext();console.log(4););洋葱模型：constKoa=require('koa');constapp=newKoa();app.use(async(ctx,next)=>console.log(1);awaitnext();console.log(5););app.use(async(ctx,next)=>console.log(2);awaitnext();console.log(4););a... 查看详情
小知识：深度学习的5大常用模型解读
自动编码器AutoEncoderDeepLearning最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的... 查看详情
nvidiadeeplearningexamples仓库上线飞桨resnet50模型，其训练速度超pytorch
你还在头疼于经典模型的复现吗？不知何处可以得到全面可参照的Benchmark？为了让开发者可以快速复现顶尖的精度和超高的性能，NVIDIA与飞桨团队合作开发了基于ResNet50的模型示例，并将持续开发更多的基于NLP和CV... 查看详情
saltstack认证绕过复现(cve-2020-11651)
0x01简介Saltstack是一个服务器基础架构集中化管理平台，具备配置管理、远程执行、监控等功能，可以理解为简化版的puppet，它基于python语言实现，结合轻量级消息队列（ZeroMQ）与python第三方模块构建。具备以下特点：?部署简单... 查看详情