021 Классификация изображений. Часть 14. RegNet (2020)

Интересное исследование провели авторы. Мало того, что они поэтапно сокращали пространство поиска, так ещё проделанные эксперименты должны быть очень полезны для научного сообщества. Например, раньше считали, что чем глубже этап (stage) в нейронной сети, тем лучше. Но авторы показали, что для их сети лучше всего работали модели у которых глубина была 20 блоков. В PyTorch есть порядка 15 моделей семейства RegNet. Посмотрев видео, вы сможете точно понять какая вам нужна модель и для каких целей её можно использовать. В статье есть и математика и статистика. Но в видео я постарался соблюсти баланс. В какую-то глубокую математику я не стал углубляться, но кое что постарался объяснить. Здесь главной задачей было показать как авторы вносили ограничения в пространства поиска. В конце видео обучим лучшую модель на датасете Арма и проанализируем результаты. Таймкоды: 00:00 | Введение 01:44 | Знакомимся с авторами 02:38 | Вводная в RegNet 04:31 | Пространство поиска, пространство дизайна 05:49 | Инструменты анализа качества проектирования пространств дизайна 09:59 | Знакомимся с пространством AnyNet 12:35 | Смысл BottleNeck коэффициента 13:30 | Продолжаем знакомиться с пространством AnyNet 15:16 | Улучшаем пространство AnyNet 19:15 | Квантование и пространство RegNet 26:38 | Полученные результаты при использовании модели RegNet 28:42 | Обучаем модель RegNet_y_16gf и тестируем 31:21 | Анализируем предсказания 34:00 | Заключение

Видео 021 Классификация изображений. Часть 14. RegNet (2020) автора Мотькин ИИ