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模块中，v1 在第一个 1x1 卷积中步长为 2，而 v1.5 在 3x3 卷积中步长为 2。

这种差异使 ResNet50 v1.5 比 v1 稍精确（约 0.5% top1），但性能略有下降（约 5% imgs/sec）。

该模型的初始化如 深入研究修正线性单元：在 ImageNet 分类上超越人类水平的性能 中所述

此模型使用 Tensor Core 在 Volta、Turing 和 NVIDIA Ampere GPU 架构上以混合精度进行训练。因此，研究人员可以获得比不使用 Tensor Core 训练快 2 倍以上的结果，同时体验混合精度训练的好处。此模型针对每个 NGC 每月容器版本进行测试，以确保长期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。有关详细信息，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 执行推理并呈现结果。

要运行此示例，您需要安装一些额外的 python 包。这些包用于预处理图像和可视化。

!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)

详细信息

有关模型输入和输出、训练方案、推理和性能的详细信息，请访问：github 和/或 NGC

参考文献