--- title: Se_ResNext_50_32x4d-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: Se,ResNext,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述 url: https://www.hiascend.com/software/modelzoo/models/detail/a4c715e35e8d440a820e7e12e53b7a20?index_id=a4c715e35e8d440a820e7e12e53b7a20 section: (其他) --- # Se_ResNext_50_32x4d-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/a4c715e35e8d440a820e7e12e53b7a20?index_id=a4c715e35e8d440a820e7e12e53b7a20 描述: 生态贡献模型 关键词: Se,ResNext,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) Se_ResNext_50_32x4d-PyTorch ## Se_ResNext_50_32x4d-PyTorch 视觉分类PyTorch训练271次浏览2023/08/14更新 查看模型源码 Se_ResNext_50_32x4d-PyTorch 查看模型源码 ... # 概述 ## 简述 ResNeXt是ResNet和Inception的结合体，而SE_ResNeXt50_32x4d是将se模块应用在resnext50中的residual block上得到的模型，其中32对应group数，4d对应卷积中每一个组所采用的卷积核个数。该模型结合了上述各模型的优点，性能优越，以较少参数取得了更高的准确率，广泛用于图像分类等任务。 - 参考实现： ``` url=https://github.com/pytorch/examples/tree/master/imagenet commit_id=49e1a8847c8c4d8d3c576479cb2fe2fd2ac583de ``` - 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；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 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ImageNet2012，将数据集上传到服务器任意路径下并解压。 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：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_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 ``` - 单机8卡评测 启动8卡评测。 ``` bash ./test/train_eval_8p.sh --data_path=/data/xxx/ ``` --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 --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 --momentum //动量 --wd //权重衰减 --addr //主机地址 --port //主机端口 --device //使用npu还是gpu --amp //是否使用混合精度 --loss-scale //混合精度lossscale大小 --opt-level //混合精度类型 --eval-freq //测试周期 --gpu //使用单卡id --multiprocessing-distributed //是否使用多卡训练 --device-list '0,1,2,3,4,5,6,7' //多卡训练指定训练用卡 ``` 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-竞品V | - | 173 | 1 | - | 1.5 | | 8p-竞品V | 78.385 | 2676 | 100 | - | 1.5 | | 1p-NPU | - | 775.235 | 1 | O2 | 1.8 | | 8p-NPU | 78.223 | 4293.069 | 100 | O2 | 1.8 | # 版本说明 ## 变更 2023.02.23：更新readme，重新发布。 2020.07.08：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)