地球资源数据云——数据资源详情
pytorch_image_models
该数据集《pytorch_image_models》主要用于多分类任务，数据形态以图像为主，应用场景偏向医疗健康。 题目说明：pytorch image models (timm) 任务类型：图像多分类。 建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。 评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。 可用文件：未检测到标准 CSV，可优先查看目录中的索引或说明文件。 PyTorch 图像模型 - 赞助商 - 新增功能 - 简介 - 模型 - 功能 - 结果 - 入门（文档） - 训练、验证、推理脚本 - 很棒的 PyTorch 资源 - 许可证 - 引用赞助商 非常感谢我的 GitHub 赞助商的支持！除了上面链接中的赞助商之外，我还收到了来自 Nvidia (https://www.nvidia.com/en - us/) TFRC (https://www.tensorflow.org/tfrc) 的硬件和/或云资源，我很幸运能够投入大量时间和金钱来支持这个项目和其他开源项目。然而，随着项目范围的扩大，需要外部支持才能继续维持当前的硬件、基础设施和电力成本轨迹。新增功能 2021 年 8 月 18 日 优化器大丰收！添加 LAMB 和 LARS 优化器，包括信任比裁剪选项。进行调整以在 PyTorch XLA 中正常工作（在带有 timm 位分支的 TPU 上进行测试）添加来自 FB 研究的 MADGRAD，进行一些调整（解耦衰减选项、与 PyTorch XLA 一起使用的步骤处理）对所有优化器和工厂进行一些清理。不再有 .data，多一点一致性，所有人的单元测试！ SGDP 和 AdamP 仍然无法与 PyTorch XLA 一起使用，但其他人应该可以使用（我自己还没有测试过 Adabelief、Adafactor、Adahessian）。添加了 EfficientNet - V2 XL TF 移植权重，但它们在 PyTorch 中的验证效果不佳（L 更好）。 V2 TF 训练的预处理有点不同，微调的 21k - > 1k 权重非常敏感，并且不如 1k 权重稳健。添加了 PyTorch 训练的 EfficientNet - V2“Tiny”w/GlobalContext attn 权重。仅比 SE 好 .1 - .2 top - 1，因此对于那些感兴趣的人来说更多的是好奇。 2021 年 7 月 12 日 从官方 facebook impl 添加 XCiT 模型。由 Alexander Soare 贡献，2021 年 7 月 5 - 9 日 添加 effectivenetv2_rw_t 权重，这是一个自定义的“微小”13.6M 参数变体，比（非 NoisyStudent）B3 模型好一点。更快、更准确（在相同或更低的分辨率下）
摘要概览
该数据集《pytorch_image_models》主要用于多分类任务，数据形态以图像为主，应用场景偏向医疗健康。 题目说明：pytorch image models (timm)
任务类型：图像多分类。
建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。
评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。
可用文件：未检测到标准 CSV，可优先查看目录中的索引或说明文件。
PyTorch 图像模型 - 赞助商 - 新增功能 - 简介 - 模型 - 功能 - 结果 - 入门（文档） - 训练、验证、推理脚本 - 很棒的 PyTorch 资源 - 许可证 - 引用赞助商 非常感谢我的 GitHub 赞助商的支持！除了上面链接中的赞助商之外，我还收到了来自 Nvidia (https://www.nvidia.com/en - us/) TFRC (https://www.tensorflow.org/tfrc) 的硬件和/或云资源，我很幸运能够投入大量时间和金钱来支持这个项目和其他开源项目。然而，随着项目范围的扩大，需要外部支持才能继续维持当前的硬件、基础设施和电力成本轨迹。新增功能 2021 年 8 月 18 日 优化器大丰收！添加 LAMB 和 LARS 优化器，包括信任比裁剪选项。进行调整以在 PyTorch XLA 中正常工作（在带有 timm 位分支的 TPU 上进行测试）添加来自 FB 研究的 MADGRAD，进行一些调整（解耦衰减选项、与 PyTorch XLA 一起使用的步骤处理）对所有优化器和工厂进行一些清理。不再有 .data，多一点一致性，所有人的单元测试！ SGDP 和 AdamP 仍然无法与 PyTorch XLA 一起使用，但其他人应该可以使用（我自己还没有测试过 Adabelief、Adafactor、Adahessian）。添加了 EfficientNet - V2 XL TF 移植权重，但它们在 PyTorch 中的验证效果不佳（L 更好）。 V2 TF 训练的预处理有点不同，微调的 21k - > 1k 权重非常敏感，并且不如 1k 权重稳健。添加了 PyTorch 训练的 EfficientNet - V2“Tiny”w/GlobalContext attn 权重。仅比 SE 好 .1 - .2 top - 1，因此对于那些感兴趣的人来说更多的是好奇。 2021 年 7 月 12 日 从官方 facebook impl 添加 XCiT 模型。由 Alexander Soare 贡献，2021 年 7 月 5 - 9 日 添加 effectivenetv2_rw_t 权重，这是一个自定义的“微小”13.6M 参数变体，比（非 NoisyStudent）B3 模型好一点。更快、更准确（在相同或更低的分辨率下）