Implement Model B (lightweight, <= 100k parameters)
Los mantenedores suelen responder en 1 día
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 3/5
- Tiempo estimado
- Medio día
- Aptitud para principiantes
- 48/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Bastante claro
- Estado de actividad
- Activo
- Stack tecnológico
- python, pytorch
- Área
- machine-learning
Línea de trabajo
The work goes in src/models.py. Read ModelA and the conv_bn and ds_conv helpers first, since ModelB reuses that structure with depthwise-separable blocks in stages 2-4. Note that #13 and #14 are listed as dependencies and are still open, so confirm ds_conv exists before starting. Done means a (2,3,64,64) input returns shape (2,3) and the trainable parameter count is at or below 100,000.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Same structure as Model A, but stages 2-4 use the depthwise-separable block. First conv stays standard (only 3 input channels).
Files: src/models.py
Tasks
-
class ModelB(nn.Module)usingconv_bnfor stage 1 andds_convfor stages 2-4 - Same GAP + Dropout(0.3) + Dense(64) + Dense(3) head as Model A
Done when
Forward of (2,3,64,64) returns (2,3); trainable parameters <= 100,000 (about 64k).
Depends on
#13 #14
Close with a commit or PR message containing Closes #<this issue>.
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 0
- Forks
- 0
- Merge medio
- 3 h 1 min
- PR fusionados (30 d)
- 19
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de VisionForgeCSE/CNN-For-Image-Classification
-
task-4 ws5-comparison
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
VisionForgeCSE/CNN-For-Image-Classification#75 ·
Los mantenedores suelen responder en 1 día
-
task-5 ws4-efficientnet
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
VisionForgeCSE/CNN-For-Image-Classification#71 ·
Los mantenedores suelen responder en 1 día
-
[T4] Model B: test-set evaluation (accuracy, confusion matrix, precision, recall)Posiblemente ocupada @snehal1931 la tomó hace 1 día. Abiertotask-4 ws2-model-b
Dificultad 2/5 1-3 horas Aptitud para principiantes 74/100
VisionForgeCSE/CNN-For-Image-Classification#64 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Inference latency benchmarkAbiertoevaluation
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100
VisionForgeCSE/CNN-For-Image-Classification#27 ·
Los mantenedores suelen responder en 1 día
-
evaluation good first issue
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
VisionForgeCSE/CNN-For-Image-Classification#26 ·
Los mantenedores suelen responder en 1 día
Todos los issues de VisionForgeCSE/CNN-For-Image-Classification
Issues similares
-
desktop-app
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
raullenchai/Rapid-MLX#4975 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
NeuroTechX/moabb#1321 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 85/100
aws/sagemaker-python-sdk#6500 ·
Los mantenedores suelen responder en 2 días
-
DINO initialization ignores a double-precision backbone dtypePosiblemente ocupada @IlyaKhalafi la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
lucidrains/vit-pytorch#379 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
wild-edge/wildedge-python#63 ·