Why is the depth_coefficient of efficientnet-b7 defined as 3.1?
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 3/5
- Tempo stimato
- Mezza giornata
- Idoneità per principianti
- 15/100
- Tipo di issue
- Bug
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- python
- Ambito
- machine-learning
Direzione di ricerca
The question concerns the depth_coefficient value of 3.1 for efficientnet-b7 on line 47 of efficientnet_x_builder.py. Start by reading equation (3) of the EfficientNet paper and checking the derivation of Φ from the image size. Done means either a corrected derivation that explains the 3.1 value or a clear reason the current constant is right, posted as a comment on the issue.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
The related code is found on line 47 of efficientnet_x_builder.py. According to equation (3) of the paper, the image size of efficientnet-b7 is 600, so
r=γ^Φ=1.15^Φ=600/224=2.6786
Φ=log(2.6786)/log(1.15)=7.04
then a conclusion can be drawn as
depth_coefficient=d=α^Φ=1.2^7.04=3.6094≠3.1
I have browsed several repos about EfficientNet, which most of them define depth of efficientnet-b7 as 3.1, so I'm not sure if the above derivation is correct. If I'm wrong, what's the correct mathematical derivation?
- Lingua principale
- Jupyter Notebook
- Stelle
- 5.3k
- Fork
- 1.7k
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di tensorflow/tpu
-
Difficoltà 2/5 Mezza giornata Idoneità per principianti 62/100
tensorflow/tpu#3542 ·
-
imagenet_to_gcs.pyAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 78/100
tensorflow/tpu#951 · 2 reazioni ·
-
Broken linkAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 70/100
tensorflow/tpu#908 ·
-
Bug in imagenet_to_gcs.pyAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 62/100
tensorflow/tpu#889 · 1 commento · 1 reazione ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 78/100
tensorflow/tpu#582 · 1 commento ·
Tutte le issue di tensorflow/tpu
Issue simili
-
needs-triage
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
flashinfer-ai/flashinfer#9803 ·
I maintainer di solito rispondono entro 1 giorno
-
bug module: rl
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
NVIDIA/Megatron-LM#9644 ·
I maintainer di solito rispondono entro 2 giorni
-
`build_flavor_config_from_local_checkpoint` fails with transformers 5.23.0: pipeline `impl` is now a dotted-path stringForse già presa @mlflow-app l’ha presa oggi. Apertahas-closing-pr nightly triage: reproduced
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
mlflow/mlflow#28000 · 2 commenti ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 76/100
X-PLUG/MobileAgent#304 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
FluxML/Optimisers.jl#254 ·