下载
EN
注册
ResNeXt101-PyTorch

概述

简述

传统的要提高模型的准确率,都是加深或者加宽网络,但是随着超参数数量的增加(比如channels数,filter size等等),网络设计的难度和计算的开销也会增加。而ResNeXt结构可以在不增加参数复杂度的前提下提高准确率,同时还减少了超参数的数量。ResNeXt同时采用VGG堆叠思想和Inception的split-transform-merge思想,可扩展性比较强,可以认为是在增加准群率的同时基本不改变或者降低模型的复杂度。

  • 参考实现:

    url=https://github.com/pytorch/examples/tree/master/imagenet
    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;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

  1. 获取数据集。

    用户自行获取 ImageNet2012 数据集,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/  # 8卡评测

    --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:
    --addr                              //主机地址
    --seed                              //初始化训练种子
    --workers                           //加载数据进程数    
    --learning-rate                     //初始学习率 
    --print-freq                        //打印频率
    --dist-backend='hccl'               //通信后端
    --batch-size                        //训练批次大小
    --epoch                             //重复训练次数
    --warm_up_epochs                    //warm up
    --rank                              //节点编号
    --amp                               //是否使用混合精度
    --momentum                          //动量
    --wd                                //权重衰减
    --gpu                               //卡号

    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 - 126 1 - 1.5
8p-竞品V 79.22 1200 90 - 1.5
1p-NPU - 482 1 O2 1.8
8p-NPU 79.422 3765 90 O2 1.8

版本说明

变更

2020.12.10: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》