资源 | 注意迁移的PyTorch实现

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

选自Github

作者：szagoruyko

机器之心编译

参与：赵华龙、吴攀

本项目是论文《要更加注重注意力：通过注意迁移技术提升卷积神经网络的性能（Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer）》PyTorch 实现。点击文末「阅读原文」可查阅原论文。

项目地址：https://github.com/szagoruyko/attention-transfer

这篇论文已经提交给了 ICLR 2017 会议，正在 review 状态：https://openreview.net/forum?id=Sks9_ajex

到目前为止该代码库里的内容包括：

• CIFAR-10 实验的基于激活技术的 AT 代码

• ImageNet 实验的代码（ResNet-18-ResNet-34 student-teacher）

即将上线：

• 基于梯度的 AT

• 场景和基于 CUB 激活的 AT 代码

• 预训练的基于激活的 AT ResNet-18

代码使用 PyTorch。原始的实验是用 torch-autograd 做的，我们目前已经验证了 CIFAR-10 实验结果能够完全在 PyTorch 中复现，而且目前正在针对 ImageNet 做类似的工作（由于超参数的原因，PyTorch 的结果有一点点变差）

引用：

　　@article{Zagoruyko2016AT, author = {Sergey Zagoruyko and Nikos Komodakis}, title = {Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer}, url = {https://arxiv.org/abs/1612.03928}, year = {2016}}

要求

先安装 PyTorch，再安装 torchnet：

　　git clone https://github.com/pytorch/tntcd tntpython setup.py install

安装 OpenCV 以及 Python 支持包，以及带有 OpenCV 变换的 torchvision：

　　git clone https://github.com/szagoruyko/visioncd vision; git checkout opencvpython setup.py install

最后，安装其他的 Python 包：

　　pip install -r requirements.txt

实验

CIFAR-10

这一节讲述如何得到本文中第一个表里的那些结果。

首先，训练老师：

　　python cifar.py --save logs/resnet_40_1_teacher --depth 40 --width 1python cifar.py --save logs/resnet_16_2_teacher --depth 16 --width 2python cifar.py --save logs/resnet_40_2_teacher --depth 40 --width 2

用基于激活的 AT 来训练：

　　python cifar.py --save logs/at_16_1_16_2 --teacher_id resnet_16_2_teacher --beta 1e+3

用 KD 来训练：

　　python cifar.py --save logs/kd_16_1_16_2 --teacher_id resnet_16_2_teacher --alpha 0.9

我们下一步计划增加带有 beta 衰退的 AT+KD 来得到最优的知识转换结果。

ImageNet

预训练模型

我们提供带有基于激活 AT 的 ResNet-18 预训练模型：

从头开始训练

下载 ResNet-34 的预训练权值（functional-zoo 里有更多介绍）：

　　wget https://s3.amazonaws.com/pytorch/h5models/resnet-34-export.hkl

根据 fb.resnet.torch 准备数据，然后进行训练（比如使用 2 个 GPU）：

　　python imagenet.py --imagenetpath ~/ILSVRC2012 --depth 18 --width 1 --teacher_params resnet-34-export.hkl --gpu_id 0,1 --ngpu 2 --beta 1e+3

给我老师的人工智能教程打call！http://blog.csdn.net/jiangjunshow