К содержимому
Другое

ResNet-50 ImageNet training trajectory

103 чекпоинта обучения с нуля

2 мин чтенияобновлено

Набор из 103 последовательных сохранений (чекпоинтов) классической нейросети для распознавания изображений ResNet-50 на протяжении всего цикла обучения на датасете ImageNet-1k. Репозиторий от LSL-datasets позволяет не просто взять финальную модель, а буквально заглянуть внутрь процесса обучения: от случайной инициализации весов на нулевом шаге до 90-й эпохи. Внутри каждого файла записаны не только веса для PyTorch, но и текущий шаг, эпоха, скорость обучения (learning rate) и точность на валидации. Релиз создан в первую очередь для исследователей, студентов и инженеров машинного обучения, изучающих динамику сходимости нейросетей.

Ключевые особенности

  • Полная траектория обучения: 103 файла весов (~103 МБ каждый), включая нулевой шаг до старта обучения, частые срезы в начале (шаги 16–1000, эпохи 1.5–4.5) и конец каждой эпохи с 1-й по 90-ю.
  • Готовая сводка метрик: в комплекте идёт таблица trajectory.csv с показателями val_top1 и val_top5 для каждого сохранённого шага.
  • Воспроизводимый рецепт: обучение велось на базе torchvision.models.resnet50 с оптимизатором SGD, размером батча 1024 и косинусным затуханием learning rate (cosine decay).
  • Стабильный итоговый результат: финальный чекпоинт (шаг 112 590) достигает точности 76,7 % top-1 и 93,3 % top-5 на 50 000 проверочных картинок ImageNet.

Что можно сделать

  • Исследовать ландшафт потерь и динамику весов: анализировать, как меняются представления внутри слоёв нейросети на ранних и поздних этапах обучения.
  • Тестировать методы прунинга и квантизации: проверять, на какой эпохе модель лучше всего поддаётся сжатию или дообучению под свои классы.
  • Использовать в учебных проектах: наглядно демонстрировать студентам эффект прогрева (warmup) и работу косинусного расписания скорости обучения без необходимости тратить ресурсы GPU на обучение с нуля.

Пример

import torch, torchvision
from huggingface_hub import hf_hub_download

path = hf_hub_download("LSL-datasets/resnet50-imagenet-trajectory", "checkpoints/step0112590.pt")
ckpt = torch.load(path, map_location="cpu", weights_only=True)
model = torchvision.models.resnet50()
model.load_state_dict(ckpt["model"])
print(ckpt["epoch"], ckpt["val_top1"])  # 90.0 0.76658
ПодробнееМетрики финала: 76.7 % top-1 и 93.3 % top-5 (центральный кроп 224×224).
Железо и обучение: 2 GPU с DistributedDataParallel, точность bfloat16, батч 1024 изображения.
Ограничения: лицензия ImageNet — только для некоммерческих исследований и обучения.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # LSL-datasets/resnet50-imagenet-trajectory
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download LSL-datasets/resnet50-imagenet-trajectory --local-dir ~/models/resnet50-imagenet-trajectory
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к resnet50-imagenet-trajectory
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии resnet50-imagenet-trajectory — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

LSL-datasets/resnet50-imagenet-trajectory
Автор
LSL-datasets
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии