CIFAR-10 Robustness Models
шесть чекпоинтов для сравнения устойчивости
2 мин чтенияобновлено
Набор финальных чекпоинтов (seed 0) из исследования устойчивости на CIFAR-10. Внутри — простая CNN и CIFAR ResNet-18, обученные тремя способами: со стандартными аугментациями, с AugMix и с corruption-aware training (обучение с учётом искажений). На выходе — PyTorch state dict для 32×32 RGB-картинок; модель предсказывает один из 10 классов CIFAR-10. Пригодится, если нужно воспроизвести сравнение методов устойчивости или проверить свой пайплайн на CIFAR-10-C. Релиз от x-striker-x.
Ключевые особенности
- Шесть конфигураций: Simple CNN и CIFAR ResNet-18 × standard, AugMix, corruption-aware.
- Точность на чистых данных у ResNet-18 — 92.36–93.72%, у Simple CNN — 82.02–84.04%.
- Вход — 32×32 RGB; нормализация статистиками обучающей выборки из
splits/cifar10_stats.json. - Каждый файл — state dict для
src.models.build_model(model)из кода исследования. - Оценка проводилась на CIFAR-10 и CIFAR-10-C; список файлов с sha256 есть в
models.json.
Что можно сделать
- Сравнить AugMix и corruption-aware training на одинаковой архитектуре и seed.
- Подключить чекпоинты к демо-приложению исследования или своему интерфейсу классификации.
- Использовать как baseline для собственных экспериментов с устойчивостью к искажениям.
Пример
Сценарий: загружаете resnet18-augmix-s0.pt, собираете модель через src.models.build_model('resnet18'), нормализуете картинку статистиками из splits/cifar10_stats.json и сравниваете предсказания на чистых и искажённых изображениях CIFAR-10-C.
Подробнее
Точность ResNet-18: standard — 93.64%, AugMix — 93.72%, corruption-aware — 92.36%.Simple CNN: 84.04%, 83.68% и 82.02% соответственно.
Это финальные модели seed 0; для запуска нужен код исследования и
models.json с sha256.









Комментарии