概述

简述

ResNet是残差网络(Residual Network)的缩写，该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分，典型的网络有ResNet50, ResNet101等。ResNet网络证明网络能够向更深（包含更多隐藏层）的方向发展。

ResNet-c相比ResNet将输入部分的7×7卷积替换为3个3×3卷积核，降低参数量和计算量。

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models
  commit_id=381b2797858248619fe8007fa1c5f5a5d4ab3919

• 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	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》。

• 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

用户可以选用的数据集包括ImageNet2012、CIFAR-10等，本文档提供的训练脚本中，是以ImageNet2012数据集为例，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：

训练集和验证集图片分别位于train和val文件夹路径下，该目录下每个文件夹代表一个类别，同一文件夹下的所有图片都有相同的标签。

该数据集的训练脚本只作为一种参考示例，在使用其他数据集时，需要修改数据集路径。

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  # 8p精度
     
     bash test/train_performance_8p.sh --data_path=real_data_path  # 8p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：
   --seed                     //随机数种子设置
   --batch-size               //训练批次大小
   --model                    //模型名称，默认值gluon_resnet50_v1c
   --local_rank               //训练卡id
   --amp                      //开启混合精度
   --sched                    //学习策略，默认值cosine
   --epochs                   //训练周期数
   --momentum                 //动量，默认：0.9
   --lr                       //初始学习率
   --weight-decay             //权重衰减
   --use-multi-epochs-loader  //设置训练时是否使用multi-epochs-loader

   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

版本说明

变更

2023.02.21：更新readme，重新发布。

FAQ

无。