标题：Facebook、拉德福大学|ResNet strikes back: An improved training procedure in timm（ResNet的反击：改进的timm训练程序）

作者：Ross Wightman, Herve Jegou

简介：本文回顾并优化了传统残差神经网络的基线效果。He等人设计的有影响力的残差网络，保持许多科学出版物中的黄金结构标准。它们通常作为研究中的默认架构，或在提出新架构时作为基线。然而自2015年ResNet 架构推出以来，训练神经网络的最佳实践方面取得了重大进展，新颖的优化和数据增强提高了训练配方的有效性。在本文中，作者重新评估了原始ResNet-50的性能，当接受了整合这些进步的程序的训练。作者在timm开源库中分享有竞争力的训练设置和预训练模型，希望它们将作为未来工作的更好基准。例如，随着作者的更多要求训练设置，原始ResNet-50 在 ImageNet-val 上以 224×224 分辨率达到 80.4% 的 top-1 准确率，无需额外的数据或蒸馏。

代码下载：https://github.com/rwightman/pytorch-image-models/

论文下载：https://arxiv.org/pdf/2110.00476v1.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除