--- title: ResNet-PyTorch-模型库-ModelZoo-昇腾社区 description: ResNet是非常经典的图像分类网络。 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/aaf07e7ec5044c46a923d9a6ed199dc8 section: (其他) --- # ResNet-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/aaf07e7ec5044c46a923d9a6ed199dc8 描述: ResNet是非常经典的图像分类网络。 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) ResNet-PyTorch ## ResNet-PyTorch 视觉分类PyTorch训练2363次浏览2026/08/13更新 获取源码 ResNet-PyTorch 查看模型源码 ... # 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://gitcode.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/built-in/cv/classification ``` # 准备训练环境 该模型为随版本演进模型（随版本演进模型范围可在此处 [了解详情](https://gitcode.com/ascend/ModelZoo-PyTorch/blob/master/PyTorch/README.CN.md)查看），您可以根据下面提供的安装指导选择匹配的CANN等软件下载使用。 ## 准备环境 - 推荐优先使用最新版本配套 [了解详情](https://www.hiascend.com/../../../../install_guide.md#%E7%89%88%E6%9C%AC%E8%AF%B4%E6%98%8E)准备训练环境。如需复现本文历史结果或使用旧环境，可参考下方历史版本配套表。 表 1版本配套表 | 软件 | 版本 | 安装指南 | | --- | --- | ---| | Driver | AscendHDK 25.0.RC1.1 | 《驱动固件安装指南》 | | Firmware | AscendHDK 25.0.RC1.1 | | | CANN | CANN 8.1.RC1 | 《CANN 软件安装指南》 | | PyTorch | 2.1.0 | 《TorchNPU 配置与安装》 | | TorchNPU | release v7.0.0-pytorch2.1.0 | | - 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。注意使用torch2.1版本时，-b分支需要指定为1.x。 ``` 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_full_1p.sh # batchsize=16 单卡精度 bash ./test/train_full_1p_bs32.sh # batchsize=32 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_full_8p.sh # batchsize=16 8卡精度 bash ./test/train_full_8p_bs32.sh # batchsize=32 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。 # vNPU训练模型 ## 切分vNPU - 执行以下命令设置虚拟化实例功能容器模式 ``` npu-smi set -t vnpu-mode -d 0 ``` - npu-smi set -t create-vnpu -i id -c chip_id -f vnpu_config [-v vnpu_id] [-g vgroup_id] 用于创建指定模板的vNPU，也可指定vNPU的id和vNPU所属群组的id。 vNPU内存不足会导致训练模型精度性能下降或无法拉起训练，切分模板选择vir12_3c_32g ``` npu-smi set -t create-vnpu -i 0 -c 0 -f vir12_3c_32g -v 100 ``` ## 原生docker挂载vNPU - 挂载vNPU，并声明shm内存（避免容器内存不足无法拉起训练） ``` docker run -it \ --device=/dev/davinci100:/dev/davinci100 \ # 挂载切分好的vNPU --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ --shm-size=720g # 指定shm-size -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /home:/home \ -v /usr/local/Ascend/driver/lib64/common:/usr/local/Ascend/driver/lib64/common \ -v /usr/local/Ascend/driver/lib64/driver:/usr/local/Ascend/driver/lib64/driver \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \ docker_image_id /bin/bash ``` - 初次启动容器，需要重新配置环境及相关依赖。 - 在搭载vNPU的容器内重新开始训练 # 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 | - | 4266 | 2 | O2 | 1.11 | 256 | Atlas 800T A2 | | 8p-NPU | 80.0 | 33032 | 2 | O2 | 1.11 | 2048 | Atlas 800T A2 | | 1p-NPU | - | 4571 | 2 | O2 | 2.1 | 256 | Atlas 800T A2 | | 8p-NPU | 80.0 | 33032 | 2 | O2 | 2.1 | 2048 | Atlas 800T A2 | 说明：该模型默认在二进制场景下进行训练。 表 3vNPU训练结果展示表 | NAME | Acc@1 | FPS | Epochs | | Torch_Version | batch_size | Device | | --- | --- | --- | --- | --- | --- | --- | ---| | 1p-NPU-ARM | 88.517 | 2007 | 90 | | 2.1 | 16 | Atlas 800T A2 | | 1p-vNPU-ARM | 88.638 | 1372 | 90 | | 2.1 | 16 | Atlas 800T A2 | | 1p-NPU-X86 | 88.322 | 1984 | 90 | | 2.1 | 16 | Atlas 200T A2 Box16 | | 1p-vNPU-X86 | 88.450 | 969 | 90 | | 2.1 | 16 | Atlas 200T A2 Box16 | 同等超参下，vNPU能满足精度要求。 说明：上表为历史数据，仅供参考。2025年5月10日更新的性能数据如下： | NAME | 精度类型 | FPS | | --- | --- | ---| | 8p-竞品 | FP16 | 33032 | | 8p-Atlas 900 A2 PoDc | FP16 | 36571 | # 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 | | --- | --- | --- | --- | --- | ---| 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)