概述
简述
ResNeXt-50-32x4d是一个经典的图像分类网络，对于一个L层的网络，相较于ResNet网络，ResNeXt-50-32x4d采用了组卷积的方法，在分组进行卷积后再进行concat拼接，可以大大减少网络的参数量，对于卷积核大小相同的两个网络，普通卷积的参数量会远远大于组卷积的参数量。这些特点让ResNeXt-50-32x4d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/examples/tree/master/imagenet commit_id=49e1a8847c8c4d8d3c576479cb2fe2fd2ac583de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
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 torchvision==0.2.2.post3；pillow==8.4.0 PyTorch 1.8 torchvision==0.9.1；pillow==9.1.0 PyTorch 1.11 torchvision==0.12.0；pillow==9.1.0 PyTorch 2.1 torchvision==0.16.0；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 pip install -r 1.11_requirements.txt # PyTorch1.11版本 pip install -r 2.1_requirements.txt # PyTorch2.1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
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，CIFAR-10等，将数据集上传到服务器任意路径下并解压。
以ImageNet2012数据集为例，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=/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卡性能单机8卡评测
启动8卡评测。
bash ./test/train_eval_8p.sh --data_path=/data/xxx/ # 对应修改脚本中resume参数，指定为训练生成的ckpt文件路径
--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：
--addr //主机地址
--arch //使用模型，默认：resnet34
--workers //加载数据进程数
--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lossscale大小
--opt-level //混合精度类型
多卡训练参数：
--multiprocessing-distributed //是否使用多卡训练
--device-list '0,1,2,3,4,5,6,7' //多卡训练指定训练用卡训练完成后，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 | AMP_Type | Torch_Version |
|---|---|---|---|---|---|
| 1p-NPU | - | 953.08 | 1 | O2 | 1.8 |
| 8p-NPU | 77.22 | 7239.146 | 90 | O2 | 1.8 |
版本说明
变更
2023.02.16：更新readme，重新发布。
FAQ
无。
公网地址说明
代码涉及公网地址参考 public_address_statement.md