К содержимому
Другое

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.

ПодробнееТочность 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.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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 · 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.

    # x-striker-x/cifar10-robustness-models
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 x-striker-x/cifar10-robustness-models --local-dir ~/models/cifar10-robustness-models
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к cifar10-robustness-models
  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 cifar10-robustness-models — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

x-striker-x/cifar10-robustness-models
Автор
x-striker-x
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

Другое

COMO

COMO