准备训练环境

准备环境

• 当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。

  版本配套表

  配套	版本
  固件与驱动	5.1.RC2
  CANN	6.0.RC1
  PyTorch	1.5.0

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  pip install -r requirements.txt

准备数据集

1. 获取FFHQ-Aging数据集.

   url=https://github.com/royorel/FFHQ-Aging-Dataset

2. 数据预处理

   cd datasets
   python create_dataset.py --folder <path to raw FFHQ-Aging directory> --labels_file <path to raw FFHQ-Aging labels csv file> [--train_split] [num of training images (default=69000)]

3. 如果你希望在你自己的数据集上进行训练&测试，结构应当如下

   ├── dataset_name                                                                                                                                                                                                       
   │   ├── train<class1> 
   |   |   └── image1.png
   |   |   └── image2.png
   |   |   └── ...                                                                                                
   │   │   ├── parsings
   │   │   │   └── image1.png
   │   │   │   └── image2.png
   │   │   │   └── ...                                                                                                                             
   ...
   │   ├── train<classN> 
   |   |   └── image1.png
   |   |   └── image2.png
   |   |   └── ...                                                                                                
   │   │   ├── parsings
   │   │   │   └── image1.png
   │   │   │   └── image2.png
   │   │   │   └── ... 
   │   ├── test<class1> 
   |   |   └── image1.png
   |   |   └── image2.png
   |   |   └── ...                                                                                                
   │   │   ├── parsings
   │   │   │   └── image1.png
   │   │   │   └── image2.png
   │   │   │   └── ...                                                                                                                             
   ...
   │   ├── test<classN> 
   |   |   └── image1.png
   |   |   └── image2.png
   |   |   └── ...                                                                                                
   │   │   ├── parsings
   │   │   │   └── image1.png
   │   │   │   └── image2.png
   │   │   │   └── ... 

获取预训练模型

python download_models.py

开始训练

Training on NPU

• 训练超参

  • Batch size: 3
  • amp: True(02)
  • lr: 0.001(可修改)
  • Train epoch: 400

python run.py (modelarts)

./run_scripts/train.sh (ascend-torch1.5)

模型训练脚本参数说明如下。

公共参数：
--name                              //选择训练（male|female）model
--checkpoints_dir                   //结果路径（./checkpoints）
--dataroot                          //数据集路径（datasets/males）     
--epoch                             //重复训练次数（400）
--batchSize                         //训练批次大小(3)
--lr                                //adam学习率（0.001）
--amp                               //是否使用混合精度（True）
--loss_scale_value                  //混合精度lossscale大小（默认128.0）
--opt_level                         //混合精度类型（默认O2）
--npu_ids                           //可用npu设备

如果需要修改参数可以在如下目录修改 run_scripts/train/train.sh

options/train_options.py

混合精度训练

昇腾910 AI处理器提供自动混合精度功能，可以针对全网中float32数据类型的算子，按照内置的优化策略，自动将部分float32的算子降低精度到float16，从而在精度损失很小的情况下提升系统性能并减少内存使用。

开启混合精度

脚本已开启混合精度（O2）

优化器使用NpuFusedAdam、combine_grad=True性能提升约20%

##训练结果展示

公网地址说明

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