运行样例（PyTorch 1.8.1）

本节以容器OS为Ubuntu作为示例，通过在容器中训练MobileNetV3图像分类模型，验证环境是否可用。

启动容器

执行如下命令启动容器。
```
docker run -itd --shm-size 32G -e ASCEND_VISIBLE_DEVICES=0 ascend-pytorch:6.3.RC1-ubuntu18.04-x64  /bin/bash
```
- --shm-size 32G：容器默认共享内存64MB（用户可执行df -h命令查看）不足以支撑该模型训练，因此需要增加容器的共享内存。
- 该镜像“ascend-pytorch:6.3.RC1-ubuntu18.04-x64”仅为示例，请用户以现场环境制作的镜像替换。
容器启动后，显示容器ID（本例为“614f758be8bd”）。
执行如下命令以root用户进入容器。
```
docker exec -it -u root 容器ID /bin/bash
docker exec -it -u root 614f758be8bd /bin/bash
```
回显以下信息，表示成功进入该容器。
```
root@614f758be8bd:/home/HwHiAiUser#
```

模型训练

模型训练需要下载相关依赖，请确保容器能够连接网络。

在容器“/home/HwHiAiUser”目录下，执行如下命令获取模型脚本并进入模型代码所在目录。
```
cd /home/HwHiAiUser
git clone https://gitee.com/ascend/ModelZoo-PyTorch.git
cd ModelZoo-PyTorch/PyTorch/contrib/cv/classification/MobileNetV3_large_100_for_PyTorch
```
如果返回类似以下回显信息：
```
fatal: unable to access 'https://gitee.com/ascend/samples.git/': server certificate verification failed. CAfile: none CRLfile: none
```
则执行git config --global http.sslVerify "false"命令关闭证书检验，再执行git clone https://gitee.com/ascend/ModelZoo-PyTorch.git命令获取模型代码。

安装模型训练依赖。

pip3 install -r requirements.txt
pip3 install git+https://github.com/rwightman/pytorch-image-models.git

依赖安装完成后，执行exit命令退出容器。

准备数据集。
1. 将数据集上传至服务器任意目录（如“/home”）。
  单击链接，单击“Download”下载Tiny ImageNet小型数据集。若没有账号，请用户自行注册。Tiny ImageNet数据集为ImageNet数据集缩减版，方便用于模型验证。该网站为开源数据集下载地址，请勿用于商业用途。该链接若失效，请用户自行准备好数据集，包含训练集和验证集两部分，可选用的数据集包括ImageNet2012，CIFAR-10等。
  数据集目录结构参考：
```
├── tiny-imagenet-200
│    ├──train├──类别1──图片1、2、3、4
│    │         │          
│    │         ├──类别2──图片1、2、3、4
│    │                     
│    ├──val  ├──类别1──图片1、2、3、4
                 │
                 ├──类别2──图片1、2、3、4
```
  该数据集的训练过程脚本只作为一种参考示例。
2. 将数据集拷贝至容器（本例为“614f758be8bd”）。
```
docker cp /home/archive.zip 614f758be8bd:/home/HwHiAiUser/ModelZoo-PyTorch/PyTorch/contrib/cv/classification/MobileNetV3_large_100_for_PyTorch/archive.zip
```
3. 进入容器。
```
docker exec -it -u root 614f758be8bd /bin/bash
```
4. 执行如下命令，在模型代码所在目录下解压数据集。
```
cd /home/HwHiAiUser/ModelZoo-PyTorch/PyTorch/contrib/cv/classification/MobileNetV3_large_100_for_PyTorch
unzip archive.zip
```
运行训练脚本，“--data_path”参数填写数据集路径。
```
bash ./test/train_full_1p.sh --data_path=./tiny-imagenet-200
```
模型训练脚本参数说明如下：
- --model mobilenetv3_large_100：使用模型。
- --opt sgd：优化器。
- --workers：加载数据进程数。
- --epoch：重复训练次数。
- --batch-size：训练批次大小。
- --lr：初始学习率，默认：1.6。
- --momentum：动量，默认：0.9。
- --weight_decay：权重衰减。
- --amp：是否使用混合精度。
- --loss-scale：混合精度lossscale大小。

用户可在模型训练过程中重新打开一个窗口进入容器，执行如下命令实时查看训练日志。

docker exec -it -u root 614f758be8bd /bin/bash
cd /home/HwHiAiUser/ModelZoo-PyTorch/PyTorch/contrib/cv/classification/MobileNetV3_large_100_for_PyTorch
##  训练日志文件路径在output目录下，日志文件名请用户根据实际情况替换。
tail -f test/output/0/train_0.log

如有类似以下回显信息，表示模型正在训练。

Train: 0 [  50/195 ( 26%)]  Loss:  6.925398 (6.9262)  Time: 0.270s, 1893.09/s  (0.273s, 1877.95/s)  LR: 1.000e-06  Data: 0.001 (0.001) FPS: 1877.954  Batch_Size:512.0
Train: 0 [ 100/195 ( 52%)]  Loss:  6.921838 (6.9246)  Time: 0.241s, 2121.01/s  (0.272s, 1879.22/s)  LR: 1.000e-06  Data: 0.001 (0.001) FPS: 1879.222  Batch_Size:512.0
Train: 0 [ 150/195 ( 77%)]  Loss:  6.909921 (6.9221)  Time: 0.210s, 2442.24/s  (0.259s, 1979.25/s)  LR: 1.000e-06  Data: 0.000 (0.001) FPS: 1979.248  Batch_Size:512.0
Train: 0 [ 194/195 (100%)]  Loss:  6.903288 (6.9199)  Time: 0.210s, 2441.46/s  (0.247s, 2069.97/s)  LR: 1.000e-06  Data: 0.000 (0.000) FPS: 2069.967  Batch_Size:512.0

若训练日志出现如下报错，请参考缺少lzma模块解决。

ModuleNotFoundError: No module named '_lzma'

运行成功后，屏幕会打印模型信息和训练过程信息。

父主题： 容器部署场景