--- title: ResNeXt101-PyTorch-模型库-ModelZoo-昇腾社区 description: 传统的要提高模型的准确率，都是加深或者加宽网络，但是随着超参数数量的增加（比如channels数，filter size等等），网络设计的难度和计算的开销也会增加。而ResNeXt结构可以在不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量。 keywords: ResNeXt,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/c0e754e9da984d0baad9cb7fbcd03e53 section: (其他) --- # ResNeXt101-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/c0e754e9da984d0baad9cb7fbcd03e53 描述: 传统的要提高模型的准确率，都是加深或者加宽网络，但是随着超参数数量的增加（比如channels数，filter size等等），网络设计的难度和计算的开销也会增加。而ResNeXt结构可以在不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量。 关键词: ResNeXt,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) ResNeXt101-PyTorch ## ResNeXt101-PyTorch 视觉分类PyTorch训练119次浏览2026/01/19更新 查看模型源码 ResNeXt101-PyTorch 查看模型源码 ... # 概述 ## 简述 传统的要提高模型的准确率，都是加深或者加宽网络，但是随着超参数数量的增加（比如channels数，filter size等等），网络设计的难度和计算的开销也会增加。而ResNeXt结构可以在不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量。ResNeXt同时采用VGG堆叠思想和Inception的split-transform-merge思想，可扩展性比较强，可以认为是在增加准群率的同时基本不改变或者降低模型的复杂度。 - 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`ImageNet2012`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。 ``` ├── 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/ # 8卡评测 ``` --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： --addr //主机地址 --seed //初始化训练种子 --workers //加载数据进程数 --learning-rate //初始学习率 --print-freq //打印频率 --dist-backend='hccl' //通信后端 --batch-size //训练批次大小 --epoch //重复训练次数 --warm_up_epochs //warm up --rank //节点编号 --amp //是否使用混合精度 --momentum //动量 --wd //权重衰减 --gpu //卡号 ``` 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 | - | 126 | 1 | - | 1.5 | | 8p-竞品V | 79.22 | 1200 | 90 | - | 1.5 | | 1p-NPU | - | 482 | 1 | O2 | 1.8 | | 8p-NPU | 79.422 | 3765 | 90 | O2 | 1.8 | # 版本说明 ## 变更 2020.12.10：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)