发布者(Publisher):Huawei
应用领域(Application Domain):Object Detection
版本(Version):1.1
修改时间(Modified) :2022.8.16
大小(Size):3892580KB
框架(Framework):PyTorch 1.5
模型格式(Model Format):ckpt
精度(Precision):FP32
处理器(Processor):昇腾910
应用级别(Categories):Official
描述(Description):基于PyTorch框架的残差密集网络的图像超分辨实现训练代码
概述
简述
一个非常深的卷积神经网络 (CNN) 最近在图像超分辨率 (SR) 方面取得了巨大成功,并且还提供了分层特征。然而,大多数基于深度 CNN 的 SR 模型并没有充分利用原始低分辨率 (LR) 图像的层次特征,从而实现了相对较低的性能。在本文中,我们提出了一种新的残差密集网络(RDN)来解决图像 SR 中的这个问题。我们充分利用了所有卷积层的分层特征。具体来说,我们提出残差密集块(RDB)通过密集连接的卷积层提取丰富的局部特征。RDB 进一步允许从前一个 RDB 的状态直接连接到当前 RDB 的所有层,从而形成连续内存 (CM) 机制。然后使用 RDB 中的局部特征融合从先前和当前的局部特征中自适应地学习更有效的特征,并稳定更广泛网络的训练。在充分获得密集的局部特征后,我们使用全局特征融合来联合和自适应地学习全局层次特征。在具有不同退化模型的基准数据集上进行的大量实验表明,我们的 RDN 与最先进的方法相比取得了良好的性能.
参考论文:
参考实现:
https://github.com/puffnjackie/pytorch-super-resolution-implementations
适配昇腾 AI 处理器的实现:
通过Git获取对应commit_id的代码方法如下:
git clone {repository_url} # 克隆仓库的代码 cd {repository_name} # 切换到模型的代码仓目录 git checkout {branch} # 切换到对应分支 git reset --hard {commit_id} # 代码设置到对应的commit_id cd {code_path} # 切换到模型代码所在路径,若仓库下只有该模型,则无需切换
默认配置
- 训练超参(单卡):
- lr = 0.001
- nEpochs=1000
- batchSize = 8
- testBatchSize = 4
- isCuda = False
- nThread = 4
- datapath
- model
支持特性
特性列表 | 是否支持 |
---|---|
分布式训练 | 否 |
混合精度 | 否 |
数据并行 | 是 |
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
基于NPU芯片的架构特性,会涉及到混合精度训练,即混合使用float16和float32数据类型的应用场景。使用float16代替float32有如下好处:
- 对于中间变量的内存占用更少,节省内存的使用。
- 因内存使用会减少,所以数据传出的时间也会相应减少。
- float16的计算单元可以提供更快的计算性能。
但是,混合精度训练受限于float16表达的精度范围,单纯将float32转换成float16会影响训练收敛情况,为了保证部分计算使用float16来进行加速的同时能保证训练收敛,这里采用混合精度模块Apex来达到以上效果。混合精度模块Apex是一个集优化性能、精度收敛于一身的综合优化库。
适配昇腾AI处理器的混合精度模块Apex除了上述优点外,还能提升运算性能。具体如下:
- Apex在混合精度运算过程中,会对模型的grad进行运算。开启combine_grad开关,可以加速这些运算。具体为将amp.initialize()接口参数combine_grad设置为True;
- 适配后的Apex针对adadelta/adam/sgd/lamb做了昇腾AI处理器亲和性优化,得到的NPU融合优化器与原生算法保持一致,但运算速度更快。使用时只需将原有优化器替换为apex.optimizers.*(“*”为优化器名称,例如NpuFusedSGD)。
- 适配后的Apex针对数据并行场景做了昇腾AI处理器亲和性优化,支持利用融合grad进行加速,同时保持计算逻辑一致性。通过开启combine_ddp开关,也就是将amp.initialize()接口参数combine_ddp设置为True并关闭DistributedDataParallel,即可开启该功能。
混合精度模块功能和优化描述如表1所示。
表 1 混合精度模块功能
说明:
- 当前版本的实现方式主要为python实现,不支持AscendCL或者CUDA优化。
- 当前昇腾AI设备暂不支持原始Apex的FusedLayerNorm接口模块,如果模型原始脚本文件使用了FusedLayerNorm接口模块,需要在模型迁移过程中将脚本头文件“from apex.normalization import FusedLayerNorm“替换为“from torch.nn import LayerNorm“。
使用apex混合精度模块需要首先从apex库中导入amp,代码如下:
from apex import amp
导入amp模块后,需要初始化amp,使其能对模型、优化器以及PyTorch内部函数进行必要的改动,初始化代码如下:
model, optimizer = amp.initialize(model,optimizer,opt_level='O2',loss_scale=32.0,combine_grad=True)
标记反向传播.backward()发生的位置,这样Amp就可以进行Loss Scaling并清除每次迭代的状态,代码如下:
原始代码:
loss = criterion(…) loss.backward() optimizer.step()
修改以支持loss scaling后的代码:
loss = criterion(preds, labels) optimizer.zero_grad() # loss.backward() with amp.scale_loss(loss, optimizer) as scaled_loss: scaled_loss.backward() optimizer.step()
训练环境准备
- 硬件环境和运行环境准备请参见《CANN软件安装指南》
- 运行以下命令安装依赖。
pip3 install requirements.txt
说明:依赖配置文件requirements.txt文件位于模型的根目录
快速上手
数据集准备
提取码: 123456
*有效期至: 2023/01/08 07:50:42 GMT-08:00 数据集下载后放入代码目录即可。
2、Pytorch-Super-Resolution-Implementations训练的模型及数据集可以参考"简述 -> 参考实现"
模型训练
单击“立即下载”,并选择合适的下载方式下载源码包。
开始训练。
启动训练之前,首先要配置程序运行相关环境变量。
环境变量配置信息参见:
单卡训练
配置训练参数。
首先在脚本test/train_full_1p.sh中,配置batch_size、steps、epochs、data_path等参数,请用户根据实际路径配置data_path,或者在启动训练的命令行中以参数形式 下发。
-datapath=${data_path} -nEpochs = 250 -batchSize = 8
启动训练。
启动单卡训练 (脚本为Pytorch-Super-Resolution-Implementations_ID3004_for_Pytorch/test/train_full_1p.sh)
bash train_full_1p.sh --data_path='dataset'
精度指标。
精度指标项 论文发布 GPU实测 NPU实测 PSNR 32.47 16.978 17.35 - 性能指标。
性能指标项 论文发布 GPU实测 NPU实测 s/epoch 无 26.136 22.506
高级参考
脚本和示例代码
├─README.md
├─LICENSE
├─ckpt 模型保存文件夹
├─dataset 存放数据集文件夹
├─test test文件夹,存放脚本
├─model 模型实现
├─dataset.py 数据处理代码
├─utils.py 工具类
├─train.py 模型训练函数
├─inference.py 模型推理函数
├─train_npu.py 模型在NPU上训练函数
├─requirements.txt 所需包
├── test
│ ├──train_performance_1p.sh //单卡训练验证性能启动脚本
│ ├──train_full_1p.sh //单卡全量训练启动脚本
脚本参数
-- lr = 0.001
-- nEpochs=1000
-- batchSize = 8
-- testBatchSize = 4
-- isCuda = False
-- nThread = 4
-- datapath
-- model
训练过程
通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本,支持单卡,8卡网络训练。模型存储路径为ASCEND_DEVICE_ID,包括训练的log以及checkpoints文件。以单卡训练为例,loss信息在文件{ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log中。