概述

简述

RepVgg是一个分类网络，该网络是在VGG网络的基础上进行改进的，主要改进点包括：在VGG网络的Block块中加入了Identity和残差分支，相当于把ResNet网络中的精华应用到VGG网络中；模型推理阶段，通过Op融合策略将所有的网络层都转换为Conv3*3，便于模型的部署与加速。

• 参考实现：

  url=https://github.com/DingXiaoH/RepVGG
  commit_id=9f272318abfc47a2b702cd0e916fca8d25d683e7

• 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

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	-
  PyTorch 1.11	-
  PyTorch 2.1	-

• 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，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_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

   • 单机单卡微调

     启动单1卡微调

     bash ./test/train_finetune_1p.sh --data_path=/data/xxx/  # 单卡微调

   --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：
   -a                                  // 网络结构名称
   --data                              // 数据集路径
   --workers                           // 数据读取并行量
   --epochs                            // 模型计算轮数
   --lr                                // 学习率
   --wd                                // 权重衰减参数
   --amp                               // 是否用apex
   --device                            // 指定设备类型
   --num_gpus                          // 使用几张卡
   --rank_id                           // 当前第几进程
   --addr                              // 集合通信地址
   --port                              // 集合通信端口
   --custom-weight-decay               // 自定义权重衰减
   --dist-backend                      // 指定分布式后台
   --opt-level                         // apex使用级别
   --loss-scale-value                  // apex缩放比例
   --batch-size                        // 训练批次大小

   训练完成后，权重文件保存在output文件夹下，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	-	-	3	O2	1.5
8p-竞品V	-	-	120	O2	1.5
1p-NPU-ARM	-	1686.26	3	O2	1.8
8p-NPU-ARM	69.43	12488.12	120	O2	1.8
1p-NPU-非ARM	-	2323.391	3	O2	1.8
8p-NPU-非ARM	-	8478.503	120	O2	1.8

版本说明

变更

2022.10.24：更新torch1.8版本，重新发布。

2021.07.13：首次发布

已知问题

无。

公网地址说明

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