---
title: GoogleNet-PyTorch-模型库-ModelZoo-昇腾社区
description: GoogLeNet把多个卷积或池化操作，放在一起组装成一个网络模块，设计神经网络时以模块为单位去组装整个网络结构。
keywords: GoogleNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境
url: https://www.hiascend.com/software/modelzoo/models/detail/eb95b482d9224f468d7c2e7ecf9f29e5
section: (其他)
---

# GoogleNet-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/eb95b482d9224f468d7c2e7ecf9f29e5
描述: GoogLeNet把多个卷积或池化操作，放在一起组装成一个网络模块，设计神经网络时以模块为单位去组装整个网络结构。
关键词: GoogleNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境


模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

GoogleNet-PyTorch

## GoogleNet-PyTorch

视觉分类PyTorch训练2026/02/13更新


GoogleNet-PyTorch


# 概述

## 简述

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。

- 参考实现：

```
url=https://github.com/pytorch/vision.git
commit_id=35f68a09f94b2d7afb3f6adc2ba850216413f28e
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/built-in/cv/classification
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch 1.5 | torchvision==0.2.2.post3；pillow==8.4.0 |
| PyTorch 1.8 | torchvision==0.9.1；pillow==9.1.0 |
- 环境准备指导。

请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。
- 安装依赖。

在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

```
pip install -r 1.5_requirements.txt  # PyTorch1.5版本

pip install -r 1.8_requirements.txt  # PyTorch1.8版本
```

说明：只需执行一条对应的PyTorch版本依赖安装命令。

## 准备数据集

用户可以选用的数据集包括ImageNet2012、CIFAR-10等，本文档提供的训练脚本中，是以ImageNet2012数据集为例，数据集目录结构参考如下所示：

```
├── ImageNet2012
      ├──train
           ├──类别1
                 │──图片1
                 │──图片2
                 │   ...       
           ├──类别2
                 │──图片1
                 │──图片2
                 │   ...   
           ├──...                     
      ├──val  
           ├──类别1
                 │──图片1
                 │──图片2
                 │   ...       
           ├──类别2
                 │──图片1
                 │──图片2
                 │   ...              
```

说明：

训练集和验证集图片分别位于train和val文件夹路径下，该目录下每个文件夹代表一个类别，同一文件夹下的所有图片都有相同的标签。

该数据集的训练脚本只作为一种参考示例，在使用其他数据集时，需要修改数据集路径。

# 开始训练

## 训练模型

1. 进入解压后的源码包根目录。

```
cd /${模型文件夹名称} 
```
2. 运行训练脚本。

该模型支持单机单卡训练和单机8卡训练。

- 单机单卡训练

启动单卡训练：

```
bash test/train_full_1p.sh --data_path=real_data_path  # 单卡精度

bash test/train_performance_1p.sh --data_path=real_data_path  # 单卡性能
```
- 单机8卡训练

启动8卡训练：

```
bash test/train_full_8p.sh --data_path=real_data_path  # 8卡精度

bash test/train_performance_8p.sh --data_path=real_data_path  # 8卡性能 
```

--data_path参数填写数据集路径，需写到数据集的一级目录。

模型训练脚本参数说明如下。

```
公共参数：
--data-path                //数据集路径
--model                    //模型名称，默认值googlenet
--epochs                   //训练周期数
--batch-size               //训练批次大小
--lr                       //学习率
--momentum                 //动量值
--weight-decay             //权重衰减值
--apex                     //开启混合精度
--apex-opt-level           //混合精度级别
--loss_scale_value         //混合精度loss scale大小
--seed                     //随机种子
--device_id                //npu训练卡id
--print-freq               //日志打印频率
```

训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

# 训练结果展示

表 2训练结果展示表

| NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-NPU | - | - | 1 | O1 | 1.5 |
| 8p-NPU | 70.8984 | 1701.47 | 90 | O1 | 1.5 |

# 版本说明

## 变更

2023.02.21：更新readme，重新发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|


使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)