概述
简述
VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling分开，所有隐层的激活单元都采用ReLU函数。VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于GoogLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。
参考实现：
url=https://github.com/pytorch/examples.git commit_id=507493d7b5fab51d55af88c5df9eadceb144fb67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 PyTorch 1.11 torchvision==0.12.0 PyTorch 2.1 torchvision==0.16.0 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 pip install -r 1.11_requirements.txt # PyTorch1.11版本 pip install -r 2.1_requirements.txt # PyTorch2.1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
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，CIFAR-10等，将数据集上传到服务器任意路径下并解压。
VGG16训练使用到的ImageNet2012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
进入解压后的源码包根目录。
cd /${模型文件夹名称}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=xxx # 单卡精度 bash ./test/train_performance_1p.sh --data_path=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=xxx # 8卡精度 bash ./test/train_performance_8p.sh --data_path=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=xxx # 8卡评测多机多卡性能数据获取流程
1. 安装环境 2. 开始训练，每个机器所请按下面提示进行配置 bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size*单机卡数 --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP
--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： --data //数据集路径 --j //加载数据进程数 --epochs //重复训练次数 --start-epoch //开始的轮数 --batch-size //批大小 --lr //学习率 --momentum //动量，默认：0.9 --wd //权重衰减，默认：0.0001 --p //打印频率 --resume //checkpoint的路径 --e //是否在验证集上的评估模型 --seed //使用随机数种子初始化，默认：49 --gup //使用GPU的ID --world-size //分布式训练节点数 --rank //进程编号，默认：-1 --dist-url //用于设置分布式训练的url --dist-backend //分布式后端 --addr //主机地址 --amp //是否使用混合精度 --opt-level //混合精度类型 --loss-scale-value //混合精度lossscale大小 --device //使用设备为GPU或者是NPU --stop-step-num //在指定stop-step数后终止训练任务 --eval-freq //测试打印间隔 多卡训练参数： --multiprocessing-distributed //是否使用多卡训练 --device-list '0,1,2,3,4,5,6,7' //多卡训练指定训练用卡训练完成后，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 | - | - | 90 | - | 1.5 |
| 8P-竞品V | - | - | 90 | - | 1.5 |
| 1p-NPU | 73.385 | 1024.02 | 90 | O1 | 1.8 |
| 8p-NPU | 72.949 | 6540.157 | 90 | O1 | 1.8 |
版本说明
变更
2022.08.22：更新内容，重新发布。
2022.03.18：首次发布。
FAQ
无。