Tree: 8c497edbbd

13 kB

Raw Blame History

DenseNet121描述

DenseNet-121是一个基于卷积的神经网络，用于图像分类。有关该模型的描述，可查阅此论文。华为的DenseNet-121是MindSpore上的一个实现。

仓库中还包含用于启动训练和推理例程的脚本。

模型架构

DenseNet-121构建在4个密集连接块上。各个密集块中，每个层都会接受其前面所有层作为其额外的输入，并将自己的特征映射传递给后续所有层。会使用到级联。每一层都从前几层接受“集体知识”。

数据集

使用的数据集： ImageNet
数据集的默认配置如下：

训练数据集预处理：
图像的输入尺寸：224*224
裁剪的原始尺寸大小范围（最小值，最大值）：(0.08, 1.0)
裁剪的宽高比范围（最小值，最大值）：(0.75, 1.333)
图像翻转概率：0.5
随机调节亮度、对比度、饱和度：(0.4, 0.4, 0.4)
根据平均值和标准偏差对输入图像进行归一化
测试数据集预处理：
图像的输入尺寸：224*224（将图像缩放到256*256，然后在中央区域裁剪图像）
根据平均值和标准偏差对输入图像进行归一化

特性

混合精度

采用混合精度的训练方法使用支持单精度和半精度数据来提高深度学习神经网络的训练速度，同时保持单精度训练所能达到的网络精度。混合精度训练提高计算速度、减少内存使用的同时，支持在特定硬件上训练更大的模型或实现更大批次的训练。
以FP16算子为例，如果输入数据类型为FP32，MindSpore后台会自动降低精度来处理数据。用户可打开INFO日志，搜索“reduce precision”查看精度降低的算子。

环境要求

硬件（Ascend/GPU）
准备Ascend或GPU处理器搭建硬件环境。如需试用昇腾处理器，请发送申请表至ascend@huawei.com，审核通过即可获得资源。
框架
MindSpore
如需查看详情，请参见如下资源：
MindSpore教程
MindSpore Python API

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

Ascend处理器环境运行

# 训练示例
python train.py --data_dir /PATH/TO/DATASET --pretrained /PATH/TO/PRETRAINED_CKPT --is_distributed 0 > train.log 2>&1 &

# 分布式训练示例
sh scripts/run_distribute_train.sh 8 rank_table.json /PATH/TO/DATASET /PATH/TO/PRETRAINED_CKPT

# 评估示例
python eval.py --data_dir /PATH/TO/DATASET --pretrained /PATH/TO/CHECKPOINT > eval.log 2>&1 &
OR
sh scripts/run_distribute_eval.sh 8 rank_table.json /PATH/TO/DATASET /PATH/TO/CHECKPOINT

分布式训练需要提前创建JSON格式的HCCL配置文件。

请遵循以下链接中的说明：

链接

GPU处理器环境运行

# 训练示例
export CUDA_VISIBLE_DEVICES=0
python train.py --data_dir=[DATASET_PATH] --is_distributed=0 --device_target='GPU' > train.log 2>&1 &

# 分布式训练示例
sh run_distribute_train_gpu.sh 8 0,1,2,3,4,5,6,7 [DATASET_PATH]

# 评估示例
python eval.py --data_dir=[DATASET_PATH] --device_target='GPU' --pretrained=[CHECKPOINT_PATH] > eval.log 2>&1 &
OR
sh run_distribute_eval_gpu.sh 1 0 [DATASET_PATH] [CHECKPOINT_PATH]

脚本说明

脚本及样例代码

├── model_zoo
    ├── README.md                          // 所有模型的说明
    ├── densenet121
        ├── README.md                    // DenseNet-121相关说明
        ├── scripts
        │   ├── run_distribute_train.sh             // Ascend分布式shell脚本
        │   ├── run_distribute_train_gpu.sh             // GPU分布式shell脚本
        │   ├── run_distribute_eval.sh              // Ascend评估shell脚本
        │   ├── run_distribute_eval_gpu.sh              // GPU评估shell脚本
        ├── src
        │   ├── datasets             // 数据集处理函数
        │   ├── losses
        │       ├──crossentropy.py            // DenseNet损失函数
        │   ├── lr_scheduler
        │       ├──lr_scheduler.py            // DenseNet学习率调度函数
        │   ├── network
        │       ├──densenet.py            // DenseNet架构
        │   ├──optimizers            // DenseNet优化函数
        │   ├──utils
        │       ├──logging.py            // 日志函数
        │       ├──var_init.py            // DenseNet变量init函数
        │   ├── config.py             // 网络配置
        ├── train.py               // 训练脚本
        ├── eval.py               //  评估脚本

脚本参数

可通过train.py脚本中的参数修改训练行为。train.py脚本中的参数如下：

  --Data_dir              训练数据目录
  --num_classes           数据集中的类个数（默认为1000）
  --image_size            数据集图片大小
  --per_batch_size        每GPU的迷你批次大小（默认为256）
  --pretrained            预训练模型的路径
  --lr_scheduler          LR调度类型，取值包括 exponential，cosine_annealing
  --lr                    初始学习率
  --lr_epochs             lr变化的轮次里程碑
  --lr_gamma              通过 exponential lr_scheduler因子减少lr
  --eta_min               cosine_annealing scheduler中的eta_min
  --T_max                 cosine_annealing scheduler中的T_max
  --max_epoch             训练模型的最大轮次数
  --warmup_epochs         热身轮次数（当batchsize较大时)
  --weight_decay          权重衰减(默认值：1e-4）
  --momentum              动量(默认值：0.9）
  --label_smooth          是否在CE中使用标签平滑
  --label_smooth_factor   原始one-hot平滑强度
  --log_interval          日志记录间隔（默认为100）
  --ckpt_path             存放检查点的路径
  --ckpt_interval         保存检查点的间隔
  --is_save_on_master     在master或all rank上保存检查点
  --is_distributed        是否为多卡（默认为1）
  --rank                  分布式local rank（默认为0）
  --group_size            分布式world size（默认为1）

训练过程

训练

Ascend处理器环境运行

python train.py --data_dir /PATH/TO/DATASET --pretrained /PATH/TO/PRETRAINED_CKPT --is_distributed 0 > train.log 2>&1 &

以上python命令在后台运行，在output/202x-xx-xx_time_xx_xx/目录下生成日志和模型检查点。损失值的实现如下：

2020-08-22 16:58:56,617:INFO:epoch[0], iter[5003], loss:4.367, mean_fps:0.00 imgs/sec
2020-08-22 16:58:56,619:INFO:local passed
2020-08-22 17:02:19,920:INFO:epoch[1], iter[10007], loss:3.193, mean_fps:6301.11 imgs/sec
2020-08-22 17:02:19,921:INFO:local passed
2020-08-22 17:05:43,112:INFO:epoch[2], iter[15011], loss:3.096, mean_fps:6304.53 imgs/sec
2020-08-22 17:05:43,113:INFO:local passed
...

GPU处理器环境运行

export CUDA_VISIBLE_DEVICES=0
python train.py --data_dir=[DATASET_PATH] --is_distributed=0 --device_target='GPU' > train.log 2>&1 &

以上python命令在后台运行，在output/202x-xx-xx_time_xx_xx/目录下生成日志和模型检查点。

分布式训练

Ascend处理器环境运行

sh scripts/run_distribute_train.sh 8 rank_table.json /PATH/TO/DATASET /PATH/TO/PRETRAINED_CKPT

上述shell脚本将在后台进行分布式训练。可以通过文件train[X]/output/202x-xx-xx_time_xx_xx_xx/查看结果日志和模型检查点。损失值的实现如下：

2020-08-22 16:58:54,556:INFO:epoch[0], iter[5003], loss:3.857, mean_fps:0.00 imgs/sec
2020-08-22 17:02:19,188:INFO:epoch[1], iter[10007], loss:3.18, mean_fps:6260.18 imgs/sec
2020-08-22 17:05:42,490:INFO:epoch[2], iter[15011], loss:2.621, mean_fps:6301.11 imgs/sec
2020-08-22 17:09:05,686:INFO:epoch[3], iter[20015], loss:3.113, mean_fps:6304.37 imgs/sec
2020-08-22 17:12:28,925:INFO:epoch[4], iter[25019], loss:3.29, mean_fps:6303.07 imgs/sec
2020-08-22 17:15:52,167:INFO:epoch[5], iter[30023], loss:2.865, mean_fps:6302.98 imgs/sec
...
...

GPU处理器环境运行
```
cd scripts
sh run_distribute_train_gpu.sh 8 0,1,2,3,4,5,6,7 [DATASET_PATH]
```
上述shell脚本将在后台进行分布式训练。可以通过文件train[X]/output/202x-xx-xx_time_xx_xx_xx/查看结果日志和模型检查点。

评估过程

评估

Ascend处理器环境

运行以下命令进行评估。

python eval.py --data_dir /PATH/TO/DATASET --pretrained /PATH/TO/CHECKPOINT > eval.log 2>&1 &
OR
sh scripts/run_distribute_eval.sh 8 rank_table.json /PATH/TO/DATASET /PATH/TO/CHECKPOINT

上述python命令在后台运行。可以通过“output/202x-xx-xx_time_xx_xx_xx/202x_xxxx.log”文件查看结果。测试数据集的准确率如下：

2020-08-24 09:21:50,551:INFO:after allreduce eval: top1_correct=37657, tot=49920, acc=75.43%
2020-08-24 09:21:50,551:INFO:after allreduce eval: top5_correct=46224, tot=49920, acc=92.60%

GPU处理器环境

运行以下命令进行评估。

python eval.py --data_dir=[DATASET_PATH] --device_target='GPU' --pretrained=[CHECKPOINT_PATH] > eval.log 2>&1 &
OR
sh run_distribute_eval_gpu.sh 1 0 [DATASET_PATH] [CHECKPOINT_PATH]

上述python命令在后台运行。可以通过“eval/eval.log”文件查看结果。测试数据集的准确率如下：

2021-02-04 14:20:50,551:INFO:after allreduce eval: top1_correct=37637, tot=49984, acc=75.30%
2021-02-04 14:20:50,551:INFO:after allreduce eval: top5_correct=46370, tot=49984, acc=92.77%

模型描述

性能

训练准确率结果

参数	Ascend	GPU
模型版本	Inception V1	Inception V1
资源	Ascend 910	Tesla V100-PCIE
上传日期	2020/9/15	2021/2/4
MindSpore版本	1.0.0	1.1.1
数据集	ImageNet	ImageNet
轮次	120	120
输出	概率	概率
训练性能	Top1：75.13%；Top5：92.57%	Top1：75.30%; Top5：92.77%

训练性能结果

参数	Ascend	GPU
模型版本	Inception V1	Inception V1
资源	Ascend 910	Tesla V100-PCIE
上传日期	2020/9/15	2021/2/4
MindSpore版本	1.0.0	1.1.1
数据集	ImageNet	ImageNet
batch_size	32	32
输出	概率	概率
速度	单卡：760 img/s；8卡：6000 img/s	单卡：161 img/s；8卡：1288 img/s

随机情况说明

dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。

ModelZoo主页

请浏览官网主页。

13 kB Raw Blame History

目录

DenseNet121描述

模型架构

数据集

特性

混合精度

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

训练过程

训练

分布式训练

评估过程

评估

模型描述

性能

训练准确率结果

训练性能结果

随机情况说明

ModelZoo主页

13 kB

Raw Blame History