概述

简述

SPACH-SMLP是一个经典的图像分类网络，结构简单。sMLP 模块通过稀疏连接和权重共享，显著降低了模型参数的数量和计算复杂度，避免了MLP模型性能的常见过拟合问题。

• 参考实现：

  url=https://github.com/microsoft/SPACH
  commit_id=b11b098970978677b7d33cc3424970152462032d

• 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
  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》。

• 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=/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/ --resume=ckpt_path

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --resume参数填写模型训练生成的ckpt文件路径，写到文件的一级目录即可。

   模型训练脚本参数说明如下。

   公共参数：
   --batch-size                              //训练批次大小
   --epochs                                  //训练周期数
   --weight-decay                            //权重衰减
   --data-path                               //数据集路径
   --world_size                              //分布式训练进程数
   --npu                                     //使能npu训练
   --seed                                    //随机数种子设置
   --device                                  //训练设备

   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	-	198.94	1	O1	1.5
1p-竞品V	81.70%	1522.22	300	O1	1.5
1p-NPU	-	211	1	O1	1.8
8p-NPU	80.90%	1628.5	300	O1	1.8

版本说明

变更

2023.02.23：更新readme，重新发布。

2022.09.15：首次发布。

FAQ

无。