下载
EN
注册
ResNet34_ID1594-PyTorch

概述

简述

ResNet34网络是由来自Microsoft Research的4位学者提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛中获得了图像分类和物体识别的优胜。 残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接(shortcut),缓解了在深度神经网络中增加深度带来的梯度消失问题。本文使用PyTorch实现了使用ResNet34训练imagenet数据集的具体实例。

  • 参考实现:

    url=https://github.com/pytorch/examples.git
    commit_id=49e1a8847c8c4d8d3c576479cb2fe2fd2ac583de
  • 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》。

  • 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,可选用的开源数据集包括ImageNet2012,将数据集上传到服务器任意路径下并解压。

    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: 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/  # 启动评测脚本前,需对应修改评测脚本中的resume参数,指定ckpt文件路径

    --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:
    --a                                 //使用模型
    --addr                              //主机地址
    --seed                              //训练的随机数种子   
    --workers                           //加载数据进程数
    --learning-rate                     //初始学习率
    --mom                               //动量
    --weight-decay                      //权重衰减
    --print-freq                        //打印周期
    --device                            //使用npu还是gpu
    --dist-backend                      //通信后端
    --epochs                            //重复训练次数
    --batch-size                        //训练批次大小
    --amp                               //是否使用混合精度
    多卡训练参数:
    --multiprocessing-distributed       //是否使用多进程在多GPU节点上进行分布式训练

    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 - 972 1 - 1.5
8p-竞品V 73.4 6964 130 - 1.5
1p-NPU - 2386 1 O2 1.8
8p-NPU 73.25 13863.422 130 O2 1.8

版本说明

变更

2022.07.14:更新pytorch1.8版本,并发布。

2021.09.10:首次发布。

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》