К содержимому
Другое

ResNet-18 Tensor-Train

сжатие нейросети для оценки дисплазии

2 мин чтенияобновлено

Модель представляет собой сжатую версию ResNet-18 на основе PyTorch, где свёрточные ядра 3×3 разложены в формат Tensor-Train (тензорное разложение). Сеть обучена для оценки степени тяжести оральной эпителиальной дисплазии на датасете OralEpitheliumDB. Главная особенность метода в том, что уменьшение количества параметров не снижает объём вычислений (GFLOPs): ядра пересобираются на каждом прямом проходе, что сокращает требования к памяти, но увеличивает задержку (latency). Модель предназначена для исследовательских и образовательных задач в области анализа медицинских изображений.

Ключевые особенности

  • Значительное сокращение параметров (до 4.60 M против 11.18 M у базы).
  • Сохранение вычислительной сложности (GFLOPs остались на уровне 3.63).
  • Использование метода Tensor-Train с четырьмя ядрами на одно свёрточное ядро.
  • Сравнение эффективности с аналогами, такими как модель Tucker-2.

Что можно сделать

  • Применить модель для анализа и классификации гистологических изображений тканей в исследовательских проектах.
  • Провести эксперименты по оценке задержки (latency) и потребления ресурсов на CPU и GPU.
  • Сравнить качество работы Tensor-Train с базовой архитектурой ResNet-18 и вариантом Tucker-2.

Пример

# pip install torch torchvision safetensors huggingface_hub
from huggingface_hub import hf_hub_download
import importlib.util, sys
from PIL import Image

path = hf_hub_download("LuisPaim/oed-resnet18-tensortrain", "oed_models.py")
spec = importlib.util.spec_from_file_location("oed_models", path)
oed = importlib.util.module_from_spec(spec); sys.modules["oed_models"] = oed; spec.loader.exec_module(oed)

model = oed.from_pretrained("LuisPaim/oed-resnet18-tensortrain")
print(oed.predict(model, Image.open("roi.tif")))
ПодробнееПараметры: 4.60 M (снижение на 59% по сравнению с базой)
GFLOPs: 3.63 (без изменений по сравнению с базой)
Метрики (на тестовом наборе из 92 изображений): AUC 0.9787, F1 0.8896, QWK 0.9195, Accuracy 0.8913
Железо и задержка: GPU latency 7.01 ms (RTX 3050), CPU latency 52.2 ms (Intel Xeon)
Ограничения: только для исследований и обучения, не является медицинским устройством
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 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 · F32 — 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.

    # LuisPaim/oed-resnet18-tensortrain
    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 LuisPaim/oed-resnet18-tensortrain --local-dir ~/models/oed-resnet18-tensortrain
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к oed-resnet18-tensortrain
  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

Дообучение модели

LuisPaim/oed-resnet18

Новые посты про версии oed-resnet18 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 2Все на Hugging Face

О модели

LuisPaim/oed-resnet18-tensortrain
Автор
LuisPaim
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