Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 معرفی معماری RegNet؛ ساده، سریع و قدرتمند

معرفی معماری RegNet؛ ساده، سریع و قدرتمند

زمان مطالعه: 8 دقیقه

در مقاله پیش‌رو به بررسی معماری RegNet می‌پردازیم.

مرحله اول معماری مولد ResNet

در ابتدا ساختار کلی ResNet را بررسی می‌کنیم. بررسی کردن ساختار ResNet به ما کمک می‌کند مدل‌های AnyNet که در مقاله مذکور به آن‌ها اشاره شده را ایجاد کنیم.

معماری RegNet
  تصویر 1 – معماری پایه ResNet

همان‌گونه که در تصویر 1 نشان داده شده، معماری ResNet از یک بلاک Stem، یک بلاک Layer و یک بلاک Head تشکیل شده است.

Stem

Stem از یک لایه پیچشی با stride=2 و سایز فیلتر 3، نرمال سازی دسته ای Batch Normalization (BN) و فعال ساز ReLU تشکیل شده است. تعداد فیلترهای خروجی بسته به الزمات (بلوک قرمز در تصویر 1) می‌تواند 32 یا 64 فیلتر باشد.

Layer

زنجیره بلوک‌های residual
تصویر 2 – زنجیره بلوک‌های residual موجود در Layer Block ( بلوک زردرنگ در تصویر 1)
  • Layer Block شامل زنجیره‌ای از بلوک‌های residual است (بلوک آبی‌رنگ در تصویر 2). تعداد بلوک‌های موجود در یک لایه را با d (Depth یا همان عمق) نشان می‌دهیم. تعداد کانال‌های موجود در هر لایه در سرتاسر یک Layer Block ثابت باقی می‌ماند. تعداد کانال‌های موجود در هر لایه با w ( width یا همان پهنا) نشان داده می‌شود.
  • هر لایه یک نگاشت ویژگی W1×R×R را به عنوان ورودی دریافت می‌کند ( همان‌گونه که در تصویر 2 نشان داده شده است، اولین بلوک هر لایه کانال‌های W1 را به W2 تبدیل می‌کند و سپس تمامی بلوک‌ها همان تعداد کانال W2 را به عنوان خروجی ارائه می‌دهند) و همان‌گونه که در تصویر 2 نشان داده شده است نگاشت ویژگی W2×R/2×R/2 را به عنوان خروجی ارائه می‌دهد.
  • همان‌گونه که در تصویر مقابل نشان داده شده است، بلوک residual ( بلوک آبی در تصویر 2) ساختاری گلوگاه Bottleneck یا ساده خواهد داشت.

 

نمایش ساختار ساده
تصویر 3- نمایش ساختار ساده (سمت چپ) و گلوگاه (سمت راست) در تک تک بلوک‌های residual ( بلوک آبی در تصویر 2)
  • از ساختار کاهش نمونه داده شده Downsample فقط در اولین بلوک residual هر لایه استفاده می‌شود. و همان‌گونه که در تصویر 3 نشان داده شده است، ساختار سایر لایه‌ها گلوگاه خواهد بود.

نکته: با توجه به این‌که ساختار گلوگاه، معماری پایه AnyNet در نظر گرفته می‌شود، در ادامه این مقاله فقط به بررسی این ساختار می‌پردازیم.

  • همان‌گونه که در تصویر 3 نشان داده شده است، در این معماری از دو متغیر استفاده می‌شود. متغیر اول نسبت گلوگاه b است و متغیر دوم اندازه گروه پیچشی g است.
  • از متغیر نسبت گلوگاه به منظور کاهش تعداد کانال‌های نگاشت ویژگی ورودی استفاده می‌شود و از متغیر اندازه گروه برای پردازش گروهی پیچشی به صورت موازی استفاده می‌شود.

Head

  • Head شامل ساختاری ساده از AveragePool2D و یک لایه کامل متصل است. طبقه‌بندی مدل در این بخش اتفاق می‌افتد.

نکته: با تغییر پارامترهای d، w، نسبت گلوگاه b و اندازه گروه g می‌توان مدل‌های متفاوتی از AnyNet ساخت.

مرحله دوم ساخت مدل‌های جمعیتی AnyNet

در این مرحله ساختار کلی AnyNet ساخته می‌شود.

  • نویسندگان مقاله طراحی فضاهای طراحی شبکه، از ساختار مولد معماری ResNet برای شناخت و طراحی جمعیت‌های مختلف مدل‌های AnyNet استفاده کرده‌اند.
  • با تغییر چهار پارامتری که در مرحله اول به آن‌ها اشاره شد می‌توانیم معماری‌های گوناگونی از AnyNet ایجاد کنیم. در ادامه فرایند پیکربندی پارامترها به همراه مقادیر ورودی توضیح داده شده است.

نویسندگان این مقاله در حوزه هوش مصنوعی از میان تمامی ترکیبات ممکن و با نمونه‌گیری یکنواخت Log uniform sampling از چهار پارامتر یادشده ، N ( = 500 در مقاله) مدل برای هر یک از خانواده‌های AnyNet ایجاد می‌کنند.

#Configuration input set for four different parameters.

Depth d = [1, 2, 3, 4, 5, ... , 16] #Total = 16
Width w = [8, 16, 24, ..., 1024] #Multiples of 8 <= 1024; Total=128
Bottleneck Ratio b: [1, 2, 4] #Total = 3
Group Size g: [1, 2, 4, 8, 16, 32] #Total = 6

مجموع درجه آزادی مدل‎های AnyNetX، 16 است (با استفاده از چهار پارامتر مذکور می‌توان در چهار لایه و هر لایه به صورت جداگانه تغییر ایجاد کرد).

  • در مقاله مذکور پنج مدل AnyNet معرفی شده است. در این قسمت هر یک از این مدل‌ها را به صورت جداگانه معرفی می‌کنیم.
  1. AnyNetXA
  • AnyNetXA معماری مولد و بدون محدودیت ResNet است (مرحله اول) و تمامی مقادیر ممکن چهار پارامتر یادشده را شامل می‌شود.
  • مجموع ساختارهای ممکن در AnyNetXA برابر با 4( 6 * 3* 128* 16) است که به طور تقریبی برابر با 1018 ساختار است.
  1. AnyNetXB
  • برای ساخت مدل AnyNetXB می‌توانیم از مدل AnyNetXA زیر استفاده کنیم

b(Layer 1) =b(Layer 2) =b(Layer 3) =b(Layer 4)

  • مجموع ساختارهای ممکن در AnyNetXB برابر با 3* 4 (6 * 128 * 16) است که به طور تقریبی برابر با 1016 است.
  1. AnyNetXC
  • AnyNetXC را می‌توان با استفاده از AnyNetXB به صورت زیر ایجاد کنیم

g(Layer 1) =g(Layer 2) =g(Layer 3) =g(Layer 4)

  • تعداد کل ساختارهای ممکن در AnyNetXC برابر با 6* 3* 4(128 * 16) است که به طور تقریبی برابر با 1014 ساختار است.
  1. AnyNetXD
  • AnyNetXD را می‌توان با استفاده از AnyNetXC به صورت زیرساخت

w(Layer 1) ≤w(Layer 2) ≤w(Layer 3) ≤w(Layer 4).

  • تعداد کل ساختارهای ممکن در AnyNetXD برابر با 4/ 6 * 3 4(128 * 16) است که به طور تقریبی برابر با 1013 ساختار است.
  1. AnyNetXE
  • AnyNetXE را می‌توان با استفاده از AnyNetXD به صورت زیر ایجاد کنیم

d(Layer 1) ≤ d(Layer 2) ≤ d(Layer3)≤d(Layer 4)(Not always for the last layer).

  • تعداد کل ساختارهای ممکن در AnyNetXE = (4) / 6 * 3 4(128 * 16) است که به طور تقریبی برابر با 1011 ساختار است.

نکته: با در نظر گرفتن یعضی از محدودیت ها، نویسندگان مقاله توانسته اند فضای طراحی را به O(107) نسبت به مدل AnyNetXA model کاهش دهند.

مرحله سوم ساخت مدل‌های RegNet  – RegNetX و RegNetY

در این مرحله می‌توانیم معماری‌های RegNetX و RegNetY را ایجاد کنیم.

  • نویسندگان این مقاله از مدل‌های AnyNetXE برای ایجاد RegNetX و RegNetY استفاده کردند.
  • نویسندگان این مقاله پس از اعمال مقادیر مختلف به پارامترها و بررسی دقت آن‌ها متوجه ترندها و مجموعه‌ای از معادلات مشابه شدند که به یافتن بهترین مدل RegNetX با استفاده از ورودی پیکربندی‌هایی که به آن‌ها اشاره شده کمک می‌کند.
  1. پهنای اولیه Degree of freedom w0: پهنای اولین لایه در معماری ResNet است.
  2. پارامتر شیب Initial width wa: برای پیدا کردن روند خطی بهترین مدل‌ها استفاده می‌شود.
  3. پارامتر کمی کردن Slope parameter wm: از این پارامتر برای کمی‌ کردن روند خطی استفاده می‌شود.
  4. عمق شبکه D: مجموع عمق تمامی لایه‌ها di{ i= 1,2,3,4}
  5. نسبت گروه و گلوگاه g و b
#Configuration Domain for RegNetX Model Input Parameters

Network Depth D = {1, 2, ..., 63} OR {12, 13, ..., 28} 
Slope Parameter wa = {0, 1, 2, ..., 255} 
Quantization Parameter wm = [1.5, 3]
Initial Width w0 > 0
Bottleneck Ratio b = 1
Group Width g = {1, 2, 4, 8, 16, 32} OR {16, 24, 32, 40, 48, 56, 64}

ایجاد مدل RegNetX

نکته: در این مطلب قصد داریم معماری RegNet را توضیح دهیم و به همین دلیل وارد جزئیات معادله نمی‌شویم.

  • برای تکمیل کردن معماری RegNet به عمق d و پهنای w هر چهار لایه نیاز داریم. چگونه می‌توانیم عمق و پهنای چهار لایه را به دست آوریم؟ عمق d و پهنا w را می‌توانیم با استفاده از سه معادله کوچک محاسبه کنیم.
  • با ذکر یک مثال کوچک مقادیر یادشده را محاسبه می‌کنیم.
#Input Parameters List

Network Depth D = 13
Slope Parameter wa = 36
Initial width w0 = 24
Quantization parameter wm = 2.5
Bottleneck ratio b = 1
Group Width g = 8

1- یافتن پهناهای u برای یک شیب مشخص wa و پارامتر پهنای اولیه w0.

معادله پهناهای پارامترسازی‌شده
معادله 1. معادله پهناهای پارامترسازی‌شده
import numpy as np
u = w0 + wa * np.arange(D) # Equation 1
print(u)

# Output 
[ 24  60  96 132 168 204 240 276 312 348 384 420 456 492 528]

2- پیدا کردن اندازه احتمالی بلوک s بر اساس پهنای محاسبه شده u، پهنای اولیه w0 و پارامتر تدریجی‌شده Quantize wm.

بلوک‌های پارامتر‌سازی شده
معادله 2. معادله بلوک‌های پارامتر‌سازی شده
s = np.log(u / w0) / np.log(wm) # Equation 2
print(s)

# Output
[ 0. 0.7564708 1.51294159 1.7564708 2.12368202 2.26941239
  2.51294159 2.61695899 2.79927458 2.88015281 3.02588319  3.09204627
  3.21343311  3.26941239  3.37342979]

3 – پیدا کردن پهناهای w کمی‌شده از طریق گِرد کردن Rounding اندازه‌های بلوک پارامتر‌سازی‌شده s. البته باید مطمئن شویم که پهناهای w تدریجی‌شده بر 8 تقسیم ‌پذیر هستند.

پهناهای u ممکن
معادله 3. پهناهای w تدریجی‌شده از پهناهای u ممکن
s = np.round(s) #Rounding the possible block sizes s
w = w0 * np.power(wm, s) # Equation 3
w = np.round(w / 8) * 8 # Make all the width list divisible by 8
print(w)

#Output
[  24. 64. 152. 152. 152. 152. 376. 376. 376. 376. 376. 376.
  376. 376. 376.]

4 – پیدا کردن فهرست عمق d. برای پیدا کردن عمق d، تعداد دفعات وقوع هر یک از پهناهای w تدریجی‌شده را محاسبه می‌کنیم. برای محاسبه فهرست نهایی پهنای w، فقط از مقادیر منحصر به فرد استفاده می‌کنیم.

#Finding final width of depth list
w, d = np.unique(w.astype(np.int), return_counts=True)
print("Width list w: ", w)
print("Depth list d: ", d)

#Output
Width list w: [ 24 64 152 376]
Depth list d: [1 1 4 7]

5 – فهرست پهنای w ایجاد شده باید مضرب اندازه گروه g باشد. پهناهای ایجادشده ممکن است به دلیل نسبت گلوگاه b، مغایر باشند. برای تصحیح آن‌ها، مطابق مراحل زیر عمل کنید.

gtemp = np.minimum(g, w//b)

w = np.round(w // b / gtemp) * gtemp #To make all the width compatible with group sizes of the 3x3 convolutional layers

g = np.unique(gtemp * b)[0]

print("Revised width list w: ", w) 
print("Revised group size g: ", g)

#Output

Revised group size w: [24 64 152 376]
Revised group size g: 8

6 – فهرست نهایی پهناهای w و عمق d ایجاد شد. در این مرحله، مقادیر w، d، b و g را به معماری ResNet وارد می‌کنیم تا مدل ReNetX ایجاد شود.

  • همزمان با افزایش تعداد پهنا و عمق‌ها، مدت زمانی که مدل برای محاسبه نیاز دارد، نیز افزایش پیدا می‌کند. مدلی که ایجاد کردیم RegNetX 200MF است. منظور از 200MF، 200 میلیون عملیات ممیز شناور در ثانیه FLOPs است.
  • با مراجعه به مقاله اصلی می‌توانید RegNetX-ABC MF/ GF را مشاهده کنید.

ایجاد مدل RegNetY

  • تفاوت مدل RegNetX و RegNetY در این است که در مدل RegNetY یک لایه Squeeze و Excitation افزوده می‌شود. RegNetY = RegNetX + SE
  • همان‌گونه که در تصویر مقابل نشان داده شده است، پس از هر لایه پیچشی 3×3 در بلوک residual معماری ResNet، ماژول توجه متصل می‌شود.
ماژول SE در بلوک residual
تصویر 4. ماژول SE در بلوک residual
  • همزمان با افزایش تعداد پهنا و عمق‌ها، مدت زمانی که مدل برای محاسبه نیاز دارد، نیز افزایش پیدا می‌کند. مدلی که ایجاد کردیم RegNetX 200MF است. منظور از 200MF، 200 میلیون عملیات ممیز شناور در ثانیه است.
  • با مراجعه به مقاله اصلی می‌توانید RegNetX-ABC MF/ GF را مشاهده کنید.

 

ایجاد مدل RegNetY

  • تفاوت مدل RegNetX و RegNetY در این است که در مدل RegNetY یک لایه Squeeze و Excitation افزوده می‌شود. RegNetY = RegNetX + SE
  • همان‌گونه که در تصویر مقابل نشان داده شده است، پس از هر لایه پیچشی 3×3 در بلوک residual معماری ResNet، ماژول توجه متصل می‌شود.
ماژول SE به‌کاررفته در RegNetY
تصویر 5. ماژول SE به‌کاررفته در RegNetY
  • مراحل ایجاد RegNetY و RegNetX یکسان هستند. تنها تفاوت این دو معماری در این است که در RegNetY پارامتر جدید Se-ration q افزوده می‌شود. Range: 0 ≤ q ≤ 1.

مرحله چهارم پیاده‌سازی پای تورچ مدل‌های RegNetX/ RegNetY

1

”’

2 Name: Shreejal Trivedi
3
4 Description: Generation Script of RegNetX and RegNetY models
5
6 References: Designing Network Design Spaces from Facebook AI March’2020
7
8 ”’
9
10 #Importing Libraries
11 import torch
12 import torch.nn as nn
13 import torch.nn.functional as F
14 import numpy as np
15 import argparse
16
17 #Downsampling used in first bottleneck block of every layer in RegNet
18 class Downsample(nn.Module):
19   def __init__(self, in_filters, out_filters, stride):
20     super(Downsample, self).__init__()
21
22     self.conv1x1 = nn.Conv2d(in_filters, out_filters, kernel_size=1, stride=stride, bias=False)
23     self.bn = nn.BatchNorm2d(out_filters)
24
25   def forward(self, x):
26     return self.bn(self.conv1x1(x))
27
28  
29  #SE Attention Module for RegNetY
30 class SqueezeExcitation(nn.Module):
31
32     def __init__(self, in_filters, se_ratio):
33         super(SqueezeExcitation, self).__init__()
34        
35         #Calculate bottleneck SE filters
36         out_filters = int(in_filters * se_ratio)
37
38         #Average Pooling Layer
39         self.avgpool = nn.AdaptiveAvgPool2d(output_size=1)
40        
41         #Squeeze
42         self.conv1_1x1 = nn.Conv2d(in_filters, out_filters, kernel_size=1, bias=True)
43        
44         # Excite
45         self.conv2_1x1 = nn.Conv2d(out_filters, in_filters, kernel_size=1, bias=True)
46
47     def forward(self, x):
48      
49         out = self.avgpool(x)
50         out = F.relu(self.conv1_1x1(out))
51         out = self.conv2_1x1(out).sigmoid()
52         out = x * out
53         return out
54  
55 #Bottleneck Residual Block in Layer
56 class Bottleneck(nn.Module):
57   def __init__(self, in_filters, out_filters, bottleneck_ratio, group_size, stride=1, se_ratio=0):
58     super(Bottleneck, self).__init__()
59
60     #1×1 Bottleneck Convolution Block
61     bottleneck_filters = in_filters // bottleneck_ratio
62     self.conv1_1x1 = nn.Conv2d(in_filters, bottleneck_filters, kernel_size=1, bias=False)
63     self.bn1 = nn.BatchNorm2d(bottleneck_filters)
64
65     #3×3 Convolution Block with Group Convolutions —> ResNext alike structure
66     num_groups = bottleneck_filters // group_size
67     self.conv2_3x3 = nn.Conv2d(bottleneck_filters, bottleneck_filters, kernel_size=3, stride=stride, padding=1, groups=num_groups, bias=False)
68     self.bn2 = nn.BatchNorm2d(bottleneck_filters)
69
70     #Squeeze-Exictation Block: Only for RegNetY
71     self.se_module = SqueezeExcitation(bottleneck_filters, se_ratio) if se_ratio < 1 else None
72
73     #Downsample if stride=2
74     self.downsample = Downsample(in_filters, out_filters, stride) if stride != 1 or in_filters != out_filters else None
75
76     #1×1 Convolution Block
77     self.conv3_1x1 = nn.Conv2d(bottleneck_filters, out_filters, kernel_size=1, bias=False)
78     self.bn3 = nn.BatchNorm2d(out_filters)
79
80   def forward(self, x):
81     residual = x
82    
83     out = F.relu(self.bn1(self.conv1_1x1(x)))
84     out = F.relu(self.bn2(self.conv2_3x3(out)))
85
86     if self.se_module is not None:
87       out = self.se_module(out)
88    
89     out = self.bn3(self.conv3_1x1(out))
90
91     if self.downsample is not None:
92       residual = self.downsample(x)
93    
94     out += residual
95     out = F.relu(out)
96
97     return out
98  
99 class Stem(nn.Module):
100   def __init__(self, out_filters, in_filters=3):
101     super(Stem, self).__init__()
102
103     self.conv3x3 = nn.Conv2d(in_filters, out_filters, kernel_size=3, stride=2, padding=1, bias=False)
104     self.bn = nn.BatchNorm2d(out_filters)
105
106   def forward(self, x):
107     return F.relu(self.bn(self.conv3x3(x)))
108  
109 class Layer(nn.Module):
110   def __init__(self, in_filters, depth, width, bottleneck_ratio, group_size, se_ratio):
111     super(Layer, self).__init__()
112    
113     self.layers = []
114
115     #Total bottleneck blocks in a layer = Depth d
116     for i in range(depth):
117       stride = 2 if i == 0 else 1
118       bottleneck = Bottleneck(in_filters, width, bottleneck_ratio, group_size, stride, se_ratio)
119       self.layers.append(bottleneck)
120       in_filters = width
121
122     self.layers = nn.Sequential(*self.layers)
123  
124   def forward(self, x):
125     out = self.layers(x)
126     return out
127  
128 class Head(nn.Module):
129
130   def __init__(self, in_filters, classes):
131
132     super(Head, self).__init__()
133
134     self.avgpool = nn.AdaptiveAvgPool2d(output_size=1)
135     self.fc = nn.Linear(in_filters, classes)
136      
137
138   def forward(self, x):
139
140       out = self.avgpool(x)
141       out = torch.flatten(out, 1)
142       out = self.fc(out)
143       return out
144    
145 class RegNet(nn.Module):
146   def __init__(self, paramaters, classes=2):
147     super(RegNet, self).__init__()
148
149     #Model paramater initialization
150     self.in_filters = 32
151     self.w, self.d, self.b, self.g, self.se_ratio = parameters
152     self.num_layers = 4
153
154     #Stem Part of the generic ResNet/ResNeXt architecture
155     self.stem = Stem(self.in_filters)
156     self.body = []
157
158     for i in range(self.num_layers):
159       layer = Layer(self.in_filters, self.d[i], self.w[i], self.b, self.g, self.se_ratio)
160       self.body.append(layer)
161       self.in_filters = self.w[i]
162    
163     #Body Part: Four Layers containing bottleneck residual blocks
164     self.body = nn.Sequential(*self.body)
165
166     #Head Part: Classification Step FC + AveragePool
167     self.head = Head(self.w[-1], classes)
168
169   def forward(self, x):
170
171     out = self.stem(x)
172     out = self.body(out)
173     out = self.head(out)
174     return out
175  
176 def generate_parameters_regnet(D, w0, wa, wm, b, g, q):
177
178   u = w0 + wa * np.arange(D) # Equation 1
179   s = np.log(u / w0) / np.log(wm) # Equation 2
180
181   s = np.round(s) #Rounding the possible block sizes s
182   w = w0 * np.power(wm, s) # Equation 3
183   w = np.round(w / 8) * 8 # Make all the width list divisible by 8
184
185   w, d = np.unique(w.astype(np.int), return_counts=True) #Finding depth and width lists.
186
187   gtemp = np.minimum(g, w//b)
188   w = (np.round(w // b / gtemp) * gtemp).astype(int) #To make all the width compatible with group sizes of the 3×3 convolutional layers
189   g = np.unique(gtemp // b)[0]
190
191   return (w, d, b, g, q)
192
193 if __name__ == ‘__main__’:
194
195   parser = argparse.ArgumentParser(description=”RegNetX | RegNetY Models Generation”)
196
197   parser.add_argument(‘-D’, default=13, type=int, help=’Network Depth: Range::[12, 13, …, 28]’)
198   parser.add_argument(‘-w0′, default=24, type=int, help=’Initial Width of the First Layer > 0’)
199   parser.add_argument(‘-wa’, default=36, type=int, help=’Slope Parameter: Range::[0, 1, 2, …, 255]’)
200   parser.add_argument(‘-wm’, default=2.5, type=float, help=’Quantization Parameter: Range::[1.5, 3]’)
201

  parser.add_argument(‘-b’, default=1, type=int, help=’Bottleneck Ratio: Range::{1, 2, 4}’)

202   parser.add_argument(‘-g’, default=8, type=int, help=’Group Size: Range::{1, 2, 4, 8, 16, 32} OR {16, 24, 32, 40, 48, 56, 64}’)
203   parser.add_argument(‘-q’, default=1, type=float, help=’0 <= SE Ratio < 1′)
204   args = parser.parse_args()
205
206   parameters = generate_parameters_regnet(args.D, args.w0, args.wa, args.wm, args.b, args.g, args.q)
207   model = RegNet(parameters)

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]