--- title: CSWin_Transformer-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: CSWin,Transformer,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 url: https://www.hiascend.com/software/modelzoo/models/detail/794587ec1c0b4c0198c96950bcfcb731?index_id=794587ec1c0b4c0198c96950bcfcb731 section: (其他) --- # CSWin_Transformer-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/794587ec1c0b4c0198c96950bcfcb731?index_id=794587ec1c0b4c0198c96950bcfcb731 描述: 生态贡献模型 关键词: CSWin,Transformer,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 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)文档中心论坛交流 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)文档中心论坛交流 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) CSWin_Transformer-PyTorch ## CSWin_Transformer-PyTorch 视觉分类PyTorch训练103次浏览2025/12/29更新 查看模型源码 CSWin_Transformer-PyTorch 查看模型源码 ... # 概述 ## 简述 CSWin-Transformer提出的 CSWin 是使用了条状区域来计算 attention ，在网络的不同阶段使用不同宽度的条状区域，在节约计算资源的同时实现了强大的特征建模能力。 - 参考实现： ``` url=https://github.com/microsoft/CSWin-Transformer commit_id=f111ae2f771df32006e7afd7916835dd67d4cb9d ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/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 | | PyTorch 1.8 | torchvision==0.9.1 | - 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。 - 安装`numactl`。 ``` apt-get install -y numactl ``` ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集，可选用的开源数据集包括ImageNet，将数据集上传到服务器任意路径下并解压。 以ImageNet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：该数据集的训练过程脚本只作为一种参考示例。 2. 数据预处理。 在源码包根目录下新建`dataset`文件夹，并在`dataset`路径下添加`ILSVRC2012_name_train.txt`、`ILSVRC2012_name_val.txt`和`imagenet_class_index.json`文件，文件下载地址：https://github.com/microsoft/CSWin-Transformer/tree/main/dataset [了解详情](https://github.com/microsoft/CSWin-Transformer/tree/main/dataset)。 # 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=/data/xxx/ # 单卡精度 bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 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 //数据集路径 --model //模型名称 -b //训练批次大小 --lr //初始学习率 --local_rank //训练设备卡号 --weight-decay //权重衰减 --img-size //训练图片大小 --amp //是否使用混合精度 --warmup-epochs //预热重复训练次数 --model-ema-decay //ema衰减 --drop-path //随机路径删除参数 ``` 训练完成后，权重文件默认会写入到output目录下，并输出模型训练精度和性能信息到test下output文件夹内。 # 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-竞品V | - | 230 | 1 | - | 1.5 | | 8p-竞品V | 82.3 | 1700 | 310 | - | 1.5 | | 1p-NPU | - | 150 | 1 | O2 | 1.8 | | 8p-NPU | 82.45 | 1210 | 310 | O2 | 1.8 | # 版本说明 ## 变更 2022.11.23：更新torch1.8版本，重新发布。 2022.01.15：首次发布。 ## 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 | | --- | --- | --- | --- | --- | ---| 暂无数据 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)