pytorch-classification

使用 PyTorch 在 CIFAR-10/100 和 ImageNet 数据集上进行分类。

特性

• 针对不同网络架构的统一接口
• 多 GPU 支持
• 带有丰富信息的训练进度条
• 训练日志和训练曲线可视化代码（见 ./utils/logger.py）

安装

• 安装 PyTorch
• 递归克隆

  git clone --recursive https://github.com/bearpaw/pytorch-classification.git
  

训练

请参阅 训练指南，了解如何训练模型。

结果

CIFAR

报告了在 CIFAR-10/100 基准上的 Top-1 错误率。使用不同的随机种子训练模型可能会得到不同的结果。 请注意，参数数量是在 CIFAR-10 数据集上计算的。

模型	参数量 (M)	CIFAR-10 (%)	CIFAR-100 (%)
alexnet	2.47	22.78	56.13
vgg19_bn	20.04	6.66	28.05
ResNet-110	1.70	6.11	28.86
PreResNet-110	1.70	4.94	23.65
WRN-28-10 (drop 0.3)	36.48	3.79	18.14
ResNeXt-29, 8x64	34.43	3.69	17.38
ResNeXt-29, 16x64	68.16	3.53	17.30
DenseNet-BC (L=100, k=12)	0.77	4.54	22.88
DenseNet-BC (L=190, k=40)	25.62	3.32	17.17

ImageNet

报告了单裁剪（224×224）验证错误率。

模型	参数量 (M)	Top-1 错误率 (%)	Top-5 错误率 (%)
ResNet-18	11.69	30.09	10.78
ResNeXt-50 (32x4d)	25.03	22.6	6.29

预训练模型

我们训练好的模型和训练日志可在 OneDrive 下载。

支持的架构

CIFAR-10 / CIFAR-100

由于 CIFAR 数据集中的图像尺寸为 32x32，因此用于 ImageNet 的流行网络结构需要进行一些修改以适应此输入尺寸。修改后的模型位于 models.cifar 包中：

• AlexNet
• VGG（从 pytorch-cifar 导入）
• ResNet
• Pre-act-ResNet
• ResNeXt（从 ResNeXt.pytorch 导入）
• Wide Residual Networks（从 WideResNet-pytorch 导入）
• DenseNet

ImageNet

• torchvision.models 中的所有模型（alexnet、vgg、resnet、densenet、inception_v3、squeezenet）
• ResNeXt
• Wide Residual Networks

贡献

如果您发现任何错误或希望做出贡献（例如，添加更多数据集和网络结构），欢迎提交拉取请求。

pytorch-classification 快速上手指南

本指南帮助开发者快速使用 pytorch-classification 在 CIFAR-10/100 和 ImageNet 数据集上进行模型训练与评估。

环境准备

• 操作系统: Linux (推荐) 或 macOS
• Python: 建议 Python 3.6+
• 核心依赖:
  • PyTorch (请根据显卡型号安装对应版本)
  • torchvision
  • tqdm (用于显示训练进度条)
  • matplotlib (用于可视化训练曲线)

提示：国内用户安装 PyTorch 时，推荐使用清华或中科大镜像源加速。

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tqdm matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

通过 Git 递归克隆项目仓库（包含子模块）：

git clone --recursive https://github.com/bearpaw/pytorch-classification.git
cd pytorch-classification

基本使用

1. 数据准备

确保已下载 CIFAR-10/100 或 ImageNet 数据集，并放置在指定目录。如果是首次运行，部分脚本可能支持自动下载 CIFAR 数据集。

2. 开始训练

项目提供了统一的训练接口。以在 CIFAR-10 上训练 ResNet-110 为例：

python main.py -a resnet --dataset cifar10 --depth 110 ./data.cifar

常用参数说明：

• -a: 网络架构名称 (如 resnet, vgg, densenet, wrn 等)
• --dataset: 数据集类型 (cifar10, cifar100, imagenet)
• --depth: 网络深度 (针对 ResNet/DenseNet 等)
• 最后一个参数为数据存放路径

3. 多 GPU 训练

若机器配备多张显卡，可使用 --gpu 参数指定使用的 GPU ID：

python main.py -a resnet --dataset cifar10 --depth 110 --gpu 0,1 ./data.cifar

4. 查看结果

训练完成后，日志文件和训练曲线图将自动生成在项目目录下（具体逻辑参考 ./utils/logger.py）。预训练模型和完整训练日志也可从项目提供的 OneDrive 链接下载。

注意：不同随机种子可能导致最终精度略有差异，具体复现细节请参考项目中的 TRAINING.md 文档。