---
title: MnasNet-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: MnasNet,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/d67394b8c2fb4ddbaf2ff326843b4487
section: (其他)
---

# MnasNet-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/d67394b8c2fb4ddbaf2ff326843b4487
描述: 生态贡献模型
关键词: MnasNet,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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

MnasNet-PyTorch

## MnasNet-PyTorch

视觉分类PyTorch训练82次浏览2026/01/19更新

5.0

查看模型源码

MnasNet-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

MnasNet是Google研究小组2019年在论文《MnasNet: Platform-Aware Neural Architecture Search for Mobile》中推出的新模型。Mnasnet网络是介于mobilenetV2和mobilenetV3之间的一个网络，这个网络是采用强化学习搜索出来的一个网络，是谷歌提出的一个轻量化网络。

- 参考实现：

```
url=https://github.com/pytorch/vision/blob/master/torchvision/models/mnasnet.py
commit_id=91e03b91fd9bab19b4c295692455a1883831a932
```
- 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 |
| PyTorch 1.8 | torchvision==0.9.1 |
- 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imagenet，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/  # 8p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：
--device                            //使用设备，gpu或npu
--workers                           //加载数据进程数      
--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
多卡训练参数：
--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 | - | 809 | 6 | O2 | 1.5 |
| 8p-竞品V | 73.046 | 1408 | 300 | O2 | 1.5 |
| 1p-NPU | - | 2569.8 | 6 | O1 | 1.8 |
| 8p-NPU | 72.819 | 14413.78 | 300 | O1 | 1.8 |

# 版本说明

## 变更

2023.03.02：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 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/14 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

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)