--- title: EfficientNet_B3-PyTorch-模型库-ModelZoo-昇腾社区 description: EfficientNet通过一组固定的系数统一缩放，使其在网络深度，网络宽度，分辨率这三方面相较于其他模型有明显优势。这里是B3版本。 keywords: EfficientNet,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/d55181ec4c4a432cbedf4bf7d41069b7 section: (其他) --- # EfficientNet_B3-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/d55181ec4c4a432cbedf4bf7d41069b7 描述: EfficientNet通过一组固定的系数统一缩放，使其在网络深度，网络宽度，分辨率这三方面相较于其他模型有明显优势。这里是B3版本。 关键词: EfficientNet,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) EfficientNet_B3-PyTorch ## EfficientNet_B3-PyTorch 视觉分类PyTorch训练317次浏览2026/02/02更新 查看模型源码 EfficientNet_B3-PyTorch 查看模型源码 ... # 概述 ## 简述 EfficientNet是一个新的卷积网络家族，与之前的模型相比，具有更快的训练速度和更好的参数效率。 该模型通过一组固定的缩放系数统一缩放这在网络深度，网络宽度，分辨率这三方面有明显优势。 在EfficientNet中，这些特性是按更有原则的方式扩展的，也就是说，一切都是逐渐增加的。 - 参考实现： ``` url=https://github.com/lukemelas/EfficientNet-PyTorch commit_id=7e8b0d312162f335785fb5dcfa1df29a75a1783a ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/built-in/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 | - | | PyTorch 1.8 | - | - 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，安装模型需要的依赖。 ``` pip install -r requirements.txt ``` ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集imagenet2012，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=real_data_path # 单卡精度 bash ./test/train_performance_1p.sh --data_path=real_data_path # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=real_data_path # 8卡精度 bash ./test/train_performance_8p.sh --data_path=real_data_path # 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 --arch //使用模型，默认：efficientnet-b3 --epochs //重复训练次数 --batch-size //训练批次大小 --lr //初始学习率，默认：0.1 --momentum //动量，默认：0.9 --weight-decay //权重衰减，默认：0.0001 --amp //是否使用混合精度 --loss_scale //混合精度lossscale大小 --pm //混合精度类型 ``` 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 | Torch_version | | --- | --- | --- | --- | ---| | 1p-NPU | - | 267 | 1 | 1.5 | | 8p-NPU | 77.34 | 1558 | 100 | 1.5 | 说明：精度训练过程中，混合精度使用O1类型；性能训练过程中，混合精度使用O2类型。 # 版本说明 ## 变更 2023.02.20：更新readme，重新发布。 ## FAQ 无。 | 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)