文档
在线开发
下载
ModelZoo 主页
主页 大模型 模型库 工具库 权重库 ModelShow DeepSeek专区 HOT文档中心 论坛交流
模型库
ResNet-PyTorch
ResNet-PyTorch

概述

简述

MMClassification 是一款基于 PyTorch 的开源图像分类工具箱，是 OpenMMLab 项目的成员之一。主要特性：支持多样的主干网络与预训练模型；支持配置多种训练技巧；大量的训练配置文件；高效率和高可扩展性；功能强大的工具箱。

  • 参考实现：

    url=https://github.com/open-mmlab/mmclassification
commit_id=7b45eb10cdeeec14d01c656f100f3c6edde04ddd

  • 适配昇腾 AI 处理器的实现：

    url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/built-in/cv/classification

准备训练环境

该模型为随版本演进模型（随版本演进模型范围可在此处查看），您可以根据下面提供的安装指导选择匹配的CANN等软件下载使用。

准备环境

  • 推荐优先使用最新版本配套准备训练环境。如需复现本文历史结果或使用旧环境，可参考下方历史版本配套表。

    表 1 版本配套表

    软件 版本 安装指南
    Driver AscendHDK 25.0.RC1.1 《驱动固件安装指南 》
    Firmware AscendHDK 25.0.RC1.1
    CANN CANN 8.1.RC1 《CANN 软件安装指南 》
    PyTorch 2.1.0 《TorchNPU 配置与安装 》
    TorchNPU release v7.0.0-pytorch2.1.0

  • 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

  • 安装mmcv。注意使用torch2.1版本时，-b分支需要指定为1.x。

    cd /${模型文件夹名称}
git clone -b v1.7.0 --depth=1 https://github.com/open-mmlab/mmcv.git
# pytorch版本大于等于2.1，需执行下列操作
cp mmcv_need/setup.py mmcv/ 
cp mmcv_need/text.py mmcv/mmcv/runner/hooks/logger/ 
    cd mmcv
MMCV_WITH_OPS=1 pip3 install -e .

# 备注：若mmcv编译较慢，建议安装ninja-build，加速编译安装。

  • 安装mmcls。

    cd /${模型文件夹名称}
pip3 install -e .

准备数据集

  1. 获取数据集。

    模型训练所需要的数据集（cifar100），在训练过程中脚本会自动下载，请保持网络畅通。若下载失败，请用户自行下载该数据集。 数据集目录结构参考如下所示。

    ├── cifar-100-python
   ├──file.txt   
   ├──train                  
   ├──meta     
   ├──test

    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_performance_1p.sh         # batchsize=16  单卡性能
bash ./test/train_performance_1p_bs32.sh    # batchsize=32  单卡性能

bash ./test/train_full_1p.sh                # batchsize=16  单卡精度
bash ./test/train_full_1p_bs32.sh           # batchsize=32  单卡精度

    • 单机8卡训练

      启动8卡训练。

      bash ./test/train_performance_8p.sh         # batchsize=16  8卡性能
bash ./test/train_performance_8p_bs32.sh    # batchsize=32  8卡性能

bash ./test/train_full_8p.sh                # batchsize=16  8卡精度
bash ./test/train_full_8p_bs32.sh           # batchsize=32  8卡精度

      注意：模型训练所需要的数据集（cifar100）脚本会自动下载，请保持网络畅通。如果已有数据集，也可用传参的方式传入，如以下命令：

      bash ./test/train_full_1p.sh --data_path=cifar100数据集路径

    --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                             //训练使用的设备
--gpu-id                             //训练卡id指定
--seed                               //随机数种子设置
--world-size                         //分布式训练节点数
--amp                                //设置是否使用混合精度训练
--momentum                           //动量
--weight-decay                       //权重衰减
--batch-size                         //训练批次大小
--lr                                 //初始学习率
--epochs                             //重复周期数
--data                               //数据集路径
--print-freq                         //日志打印频率
--addr                               //主机地址

    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。

vNPU训练模型

切分vNPU

  • 执行以下命令设置虚拟化实例功能容器模式

    npu-smi set -t vnpu-mode -d 0

  • npu-smi set -t create-vnpu -i id -c chip_id -f vnpu_config [-v vnpu_id] [-g vgroup_id] 用于创建指定模板的vNPU，也可指定vNPU的id和vNPU所属群组的id。

    vNPU内存不足会导致训练模型精度性能下降或无法拉起训练，切分模板选择vir12_3c_32g

    npu-smi set -t create-vnpu -i 0 -c 0 -f vir12_3c_32g -v 100

原生docker挂载vNPU

  • 挂载vNPU，并声明shm内存（避免容器内存不足无法拉起训练）

    docker run -it \
--device=/dev/davinci100:/dev/davinci100 \          # 挂载切分好的vNPU
--device=/dev/davinci_manager \
--device=/dev/devmm_svm \
--device=/dev/hisi_hdc \
--shm-size=720g                                      # 指定shm-size
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
-v /home:/home \
-v /usr/local/Ascend/driver/lib64/common:/usr/local/Ascend/driver/lib64/common \
-v /usr/local/Ascend/driver/lib64/driver:/usr/local/Ascend/driver/lib64/driver \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
docker_image_id  /bin/bash

  • 初次启动容器，需要重新配置环境及相关依赖。

  • 在搭载vNPU的容器内重新开始训练

训练结果展示

表 2 训练结果展示表

NAME Acc@1 FPS Epochs AMP_Type Torch_Version batch_size Device
1p-NPU - 4266 2 O2 1.11 256 Atlas 800T A2
8p-NPU 80.0 33032 2 O2 1.11 2048 Atlas 800T A2
1p-NPU - 4571 2 O2 2.1 256 Atlas 800T A2
8p-NPU 80.0 33032 2 O2 2.1 2048 Atlas 800T A2

说明： 该模型默认在二进制场景下进行训练。

表 3 vNPU训练结果展示表

NAME Acc@1 FPS Epochs Torch_Version batch_size Device
1p-NPU-ARM 88.517 2007 90 2.1 16 Atlas 800T A2
1p-vNPU-ARM 88.638 1372 90 2.1 16 Atlas 800T A2
1p-NPU-X86 88.322 1984 90 2.1 16 Atlas 200T A2 Box16
1p-vNPU-X86 88.450 969 90 2.1 16 Atlas 200T A2 Box16

同等超参下，vNPU能满足精度要求。

说明：上表为历史数据，仅供参考。2025年5月10日更新的性能数据如下：

NAME 精度类型 FPS
8p-竞品 FP16 33032
8p-Atlas 900 A2 PoDc FP16 36571

版本说明

变更

2023.02.21：更新readme，重新发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md

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》
我们使用cookie来确保您的高速浏览体验。继续浏览本站，即表示您同意我们使用cookie。查看详情