ResNet50
模型描述
ResNet50 v1.5 模型是原始 ResNet50 v1 模型的修改版本。
v1 和 v1.5 之间的区别在于，在需要下采样的瓶颈块中，v1 在第一个 1×1 卷积中步长为 2，而 v1.5 在 3×3 卷积中步长为 2。
这种差异使得 ResNet50 v1.5 比 v1 略微更准确（top1 准确率高约 0.5%），但性能略有下降（图像/秒下降约 5%）。
该模型按照深入研究整流器：超越 ImageNet 分类中人类水平的表现中的描述进行初始化。
该模型在 Volta、Turing 和 NVIDIA Ampere GPU 架构上使用 Tensor Cores 进行混合精度训练。因此，研究人员可以获得比不使用 Tensor Cores 训练快 2 倍以上的结果，同时享受混合精度训练的益处。该模型针对每个 NGC 月度容器发布进行测试，以确保随着时间的推移保持一致的准确性和性能。
请注意，ResNet50 v1.5 模型可以使用 TorchScript、ONNX Runtime 或 TensorRT 作为执行后端，部署在NVIDIA Triton 推理服务器上进行推理。详情请查看NGC
示例
在下面的示例中，我们将使用预训练的 ResNet50 v1.5 模型对 图像 执行推理并显示结果。
要运行此示例，您需要安装一些额外的 Python 包。这些包用于图像预处理和可视化。
!pip install validators matplotlib
import torch
from PIL import Image
import torchvision.transforms as transforms
import numpy as np
import json
import requests
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
print(f'Using {device} for inference')
加载在 ImageNet 数据集上预训练的模型。
resnet50 = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_resnet50', pretrained=True)
utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_convnets_processing_utils')
resnet50.eval().to(device)
准备示例输入数据。
uris = [
'http://images.cocodataset.org/test-stuff2017/000000024309.jpg',
'http://images.cocodataset.org/test-stuff2017/000000028117.jpg',
'http://images.cocodataset.org/test-stuff2017/000000006149.jpg',
'http://images.cocodataset.org/test-stuff2017/000000004954.jpg',
]
batch = torch.cat(
[utils.prepare_input_from_uri(uri) for uri in uris]
).to(device)
运行推理。使用 pick_n_best(predictions=output, n=topN) 辅助函数根据模型选择 N 个最可能的假设。
with torch.no_grad():
output = torch.nn.functional.softmax(resnet50(batch), dim=1)
results = utils.pick_n_best(predictions=output, n=5)
显示结果。
for uri, result in zip(uris, results):
img = Image.open(requests.get(uri, stream=True).raw)
img.thumbnail((256,256), Image.LANCZOS)
plt.imshow(img)
plt.show()
print(result)
详情
有关模型输入和输出、训练方法、推理和性能的详细信息，请访问：github 和/或NGC
参考文献
