概述
简述
EfficientNet是一个新的卷积网络家族，与之前的模型相比，具有更快的训练速度和更好的参数效率。 该模型通过一组固定的缩放系数统一缩放这在网络深度，网络宽度，分辨率这三方面有明显优势。 在EfficientNet中，这些特性是按更有原则的方式扩展的，也就是说，一切都是逐渐增加的。
参考实现：
url=https://github.com/lukemelas/EfficientNet-PyTorch commit_id=7e8b0d312162f335785fb5dcfa1df29a75a1783a适配昇腾 AI 处理器的实现：
url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/built-in/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 - PyTorch 1.8 - 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，安装模型需要的依赖。
pip install -r requirements.txt
准备数据集
获取数据集。
用户自行获取原始数据集imagenet2012，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
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=real_data_path # 单卡精度 bash ./test/train_performance_1p.sh --data_path=real_data_path # 单卡性能单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh --data_path=real_data_path # 8卡精度 bash ./test/train_performance_8p.sh --data_path=real_data_path # 8卡性能
--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 --arch //使用模型，默认：efficientnet-b1 --epochs //重复训练次数 --batch-size //训练批次大小 --lr //初始学习率，默认：0.1 --momentum //动量，默认：0.9 --amp //是否使用混合精度 --loss_scale //混合精度loss scale大小 --pm //混合精度类型训练完成后，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 | Torch_version |
|---|---|---|---|---|
| 1p-NPU | - | 883 | 1 | 1.8 |
| 8p-NPU | 76.021 | 6109.8 | 90 | 1.8 |
说明： 精度训练过程中，混合精度使用O1类型；性能训练过程中，混合精度使用O2类型。
版本说明
变更
2023.02.20：更新readme，重新发布。
FAQ
无。