概述

简述

DenseNet-169是一个经典的图像分类网络，对于一个L层的网络，DenseNet共包含L*（L+1）/2个连接，相比ResNet，这是一种密集连接，他的名称也由此而来，另一大特色为通过特征在channel上的连接来实现特征重用（feature reuse），这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能。

• 参考实现：

  url=https://github.com/pytorch/vision.git
  commit_id=882e11db8138236ce375ea0dc8a53fd91f715a90

• 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	pillow==8.4.0
  PyTorch 1.8	pillow==9.1.0

• 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

  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

1. 获取数据集。

   用户自行获取原始数据集，下载ImageNet2012数据集，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

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_full_1p.sh --data_path=/data/xxx/  # 单卡精度
     
     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

   --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-path                         //数据集路径
   --model                             //使用模型，默认：densenet169
   --device_id                         //指定训练所使用的npu device卡id
   --batch-size                        //训练批次大小
   --epochs                            //重复训练次数
   --workers                           //加载数据进程数
   --lr                                //初始学习率，默认：0.1
   --momentum                          //动量，默认：0.9
   --weight-decay                      //权重衰减，默认：0.0004
   --distributed                       //是否使用多卡训练
   --apex                              //是否使用混合精度
   --apex-opt-level                    //混合精度类型
   --loss_scale_value                  //混合精度lossscale大小
   --seed                              //设置随机数
   --print-freq                        //输出模型训练精度和性能信息

   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 3 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_version
1p-NPU	-	637.079	1	O2	1.8
8p-NPU	73.726	5143.396	90	O2	1.8

版本说明

变更

2023.02.21：更新readme，重新发布。

2022.03.18：首次发布。

FAQ

无。

公网地址说明

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