HardCoRe-NAS

类别： Efficient/Mobile · 代码： timm/models/hardcorenas.py · 架构： 6 · 预训练权重： 6（6 个具有 ImageNet-1k 结果）

由 HardCoRe-NAS 发现的移动网络，这是一种带有硬延迟约束的可微神经架构搜索方法，基于 MobileNetV3 类构建。

论文

HardCoRe-NAS：硬约束可微神经架构搜索

用法

请参阅快速入门了解如何加载预训练权重、进行图像预处理和微调，以及查阅特征提取了解如何将模型用作骨干网络。

>>> import timm
>>> model = timm.create_model('hardcorenas_f.miil_green_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

功能	`MobileNetV3`
`features_only=True` 特征图	✓（步长 2、4、8、16、32）
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
任意输入尺寸，无需更改	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
逐层学习率衰减（`group_matcher()`）	✓
`reset_classifier()`	✓

✓ 支持，✓ (square) 仅支持方形尺寸，✗ 不支持，– 无需支持（模型本身已接受任意输入尺寸）。通过在每个功能上运行随机初始化的模型（MobileNetV3 使用 hardcorenas_b，尺寸为 224）进行验证，预期同一类的其他架构表现相同。有关详细信息，请参阅 Model API 页面。

架构

架构	参数（M）	GMAC	输入大小	预训练权重
`hardcorenas_a`	5.26	0.23	224	1
`hardcorenas_b`	5.18	0.26	224	1
`hardcorenas_c`	5.52	0.28	224	1
`hardcorenas_d`	7.50	0.30	224	1
`hardcorenas_e`	8.07	0.35	224	1
`hardcorenas_f`	8.20	0.35	224	1

GMACs 和参数量对应于每种架构的默认输入大小和分类器，数据来自基准测试结果。

预训练权重

Top-1 是 results-imagenet.csv 中在所列评估规模下的 ImageNet-1k 验证准确率，- 表示该权重没有 ImageNet-1k 结果（例如预训练权重或图文权重）。Classes 是预训练分类器的大小，对于没有分类器的权重则为 none。

权重	输入大小	Top-1（%）	评估大小	类	许可证	Hub
`hardcorenas_a.miil_green_in1k`	224	75.926	224	1000	apache-2.0	timm
`hardcorenas_b.miil_green_in1k`	224	76.550	224	1000	apache-2.0	timm
`hardcorenas_c.miil_green_in1k`	224	77.092	224	1000	apache-2.0	timm
`hardcorenas_d.miil_green_in1k`	224	77.450	224	1000	apache-2.0	timm
`hardcorenas_e.miil_green_in1k`	224	77.788	224	1000	apache-2.0	timm
`hardcorenas_f.miil_green_in1k`	224	78.100	224	1000	apache-2.0	timm

Update on GitHub