--- title: convmixer-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境,准备环境 url: https://www.hiascend.com/software/modelzoo/models/detail/b224d1243e78456a9087650cbf7e3d89?index_id=b224d1243e78456a9087650cbf7e3d89 section: (其他) --- # convmixer-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/b224d1243e78456a9087650cbf7e3d89?index_id=b224d1243e78456a9087650cbf7e3d89 描述: 生态贡献模型 关键词: PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境,准备环境 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) convmixer-PyTorch ## convmixer-PyTorch 视觉分类PyTorch训练122次浏览2026/01/19更新 查看模型源码 convmixer-PyTorch 查看模型源码 ... # 概述 ## 简述 Convmixer由一个patch embedding层和一个简单的全卷积块的重复应用组成，并保持着patch embedding的空间结构。Convmixer是一个非常简单的卷积架构，直接在patch上操作，它在所有层中保持相同分辨率和大小的表示。Convmixer证明了patch表示本身可能会是Vision transformer这样的新架构卓越性能的最关键组件。 - 参考实现： ``` url=https://github.com/locuslab/convmixer.git commit_id=47048118e95721a00385bfe3122519f4b583b26e ``` - 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==0.6.0；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 请用户自行下载ImageNet数据集，将数据集上传到服务器任意路径下并解压。 数据集目录结构参考如下所示。 ``` ├── imagenet ├──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性能和单机8卡训练。 - 单机单卡性能 启动单卡性能测试。 ``` bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡性能 启动8卡性能测试。 ``` 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 ``` - 单机单卡评测 启动单卡评测。 ``` bash ./test/train_eval_1p.sh --data_path=/data/xxx/ --checkpoint=ckpt_path ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 --checkpoint参数填写训练生成的权重文件路径，需写到文件的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --weight-decay //权重衰减 --batch-size //训练批次大小 --input-size //输入图片大小 --epochs //重复训练次数 --lr //初始学习率，默认：0.01 --num-classes //分类数 --amp //是否使用混合精度 --device //指定训练设备 --seed //随机数种子设置 --momentum //动量 ``` 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 | - | 42.09 | 1 | O2 | 1.8 | | 8p-NPU | 80.2% | 376.64 | 150 | O2 | 1.8 | # 版本说明 ## 变更 2023.02.24：更新内容，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)