--- title: Resnet50_cifar-PyTorch-模型库-ModelZoo-昇腾社区 description: MMClassification 是一款基于 PyTorch 的开源图像分类工具箱，是 OpenMMLab 项目的成员之一。主要特性：支持多样的主干网络与预训练模型；支持配置多种训练技巧；大量的训练配置文件；高效率和高可扩展性；功能强大的工具箱。 keywords: Resnet,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/30e94dcac4294141b0895da3db1017fb section: (其他) --- # Resnet50_cifar-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/30e94dcac4294141b0895da3db1017fb 描述: MMClassification 是一款基于 PyTorch 的开源图像分类工具箱，是 OpenMMLab 项目的成员之一。主要特性：支持多样的主干网络与预训练模型；支持配置多种训练技巧；大量的训练配置文件；高效率和高可扩展性；功能强大的工具箱。 关键词: Resnet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) Resnet50_cifar-PyTorch ## Resnet50_cifar-PyTorch 视觉分类PyTorch训练734次浏览2025/12/29更新 获取源码 Resnet50_cifar-PyTorch 查看模型源码 模型使用 版本信息 模型使用 版本信息 ... # 概述 ## 简述 MMClassification 是一款基于 PyTorch 的开源图像分类工具箱，是 OpenMMLab 项目的成员之一。主要特性：支持多样的主干网络与预训练模型；支持配置多种训练技巧；大量的训练配置文件；高效率和高可扩展性；功能强大的工具箱。 - 参考实现： ``` url=https://github.com/open-mmlab/mmclassification commit_id=7b45eb10cdeeec14d01c656f100f3c6edde04ddd ``` - 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 | - | | PyTorch 1.8 | - | | PyTorch 1.11 | - | | PyTorch 2.1 | - | - 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，安装模型需要的依赖。 ``` pip install -r requirements.txt ``` - 安装mmcv。 ``` cd /${模型文件夹名称} git clone -b v1.7.0 --depth=1 https://github.com/open-mmlab/mmcv.git # pytorch版本大于等于2.1，需执行下列操作 cp mmcv_need/setup.py mmcv/ cp mmcv_need/text.py mmcv/mmcv/runner/hooks/logger/ ``` ``` cd mmcv MMCV_WITH_OPS=1 pip3 install -e . # 备注：若mmcv编译较慢，建议安装ninja-build，加速编译安装。 ``` - 安装mmcls。 ``` cd /${模型文件夹名称} pip3 install -e . ``` ## 准备数据集 1. 获取数据集。 模型训练所需要的数据集（cifar100），在训练过程中脚本会自动下载，请保持网络畅通。若下载失败，请用户自行下载该数据集。 数据集目录结构参考如下所示。 ``` ├── cifar-100-python ├──file.txt ├──train ├──meta ├──test ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 # 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_performance_1p.sh # batchsize=16 单卡性能 bash ./test/train_performance_1p_bs32.sh # batchsize=32 单卡性能 bash ./test/train_performance_1p_bs256.sh # batchsize=256 单卡性能 bash ./test/train_full_1p.sh # batchsize=16 单卡精度 bash ./test/train_full_1p_bs32.sh # batchsize=32 单卡精度 bash ./test/train_full_1p_bs256.sh # batchsize=256 单卡精度 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_performance_8p.sh # batchsize=16 8卡性能 bash ./test/train_performance_8p_bs32.sh # batchsize=32 8卡性能 bash ./test/train_performance_8p_bs256.sh # batchsize=256 8卡性能 bash ./test/train_full_8p.sh # batchsize=16 8卡精度 bash ./test/train_full_8p_bs32.sh # batchsize=32 8卡精度 bash ./test/train_full_8p_bs256.sh # batchsize=256 8卡精度 ``` 注意：模型训练所需要的数据集（cifar100）脚本会自动下载，请保持网络畅通。如果已有数据集，也可用传参的方式传入，如以下命令： ``` bash ./test/train_full_1p.sh --data_path=cifar100数据集路径 ``` --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： --device //训练使用的设备 --gpu-id //训练卡id指定 --seed //随机数种子设置 --world-size //分布式训练节点数 --amp //设置是否使用混合精度训练 --momentum //动量 --weight-decay //权重衰减 --batch-size //训练批次大小 --lr //初始学习率 --epochs //重复周期数 --data //数据集路径 --print-freq //日志打印频率 --addr //主机地址 ``` 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 | batch_size | Device | | --- | --- | --- | --- | --- | --- | --- | ---| | 1p-NPU | - | 4196 | 2 | O2 | 1.8 | 512 | 910 | | 8p-NPU | 61.65 | 32507 | 200 | O2 | 1.8 | 4096 | 910 | | 1p-NPU | - | 390 | 2 | O2 | 1.8 | 16 | 910 | | 1p-NPU | - | 233 | 3 | O2 | 1.8 | 32 | 910 | | 8p-NPU | 80.0 | 1523 | 2 | O2 | 1.8 | 128 | 910 | | 8p-NPU | 80.0 | 1706 | 200 | O2 | 1.8 | 256 | 910 | | 1p-NPU | - | 2844 | 2 | O2 | 1.11 | 256 | 910 | | 8p-NPU | - | 16925 | 2 | O2 | 1.11 | 2048 | 910 | 说明：该模型默认在二进制场景下进行训练。 # 版本说明 ## 变更 2023.02.21：更新readme，重新发布。 ## FAQ 无。 # 公网地址说明 代码涉及公网地址参考 public_address_statement.md | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| | 5.0.RC3 | 2023/11/02 | Mixed | Ascend 910 | 7.0.RC1 | modelzoo | 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)