MobileNet for PyTorch

概述

简述

MobileNet是为移动和嵌入式设备提出的高效模型。MobileNets基于流线型架构（streamlined），使用深度可分离卷积（depthwise separable convolutions，即Xception变体结构）来构建轻量级深度神经网络。MobileNet允许模型开发人员专门选择与其资源限制（延迟、大小）匹配的小型模型，主要注重于优化延迟同时考虑小型网络，从深度可分离卷积角度重新构建模型。

参考实现：

url=https://github.com/wjc852456/pytorch-mobilenet-v1.git
commit_id=8b3bde3e525ba6d17b9cabb5feb8ee49a9e1e8e0

适配昇腾 AI 处理器的实现：

url=https://gitcode.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==0.6.0

PyTorch 1.8 torchvision==0.9.1
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。

Torch_Version	三方库依赖版本
PyTorch 1.5	torchvision==0.6.0
PyTorch 1.8	torchvision==0.9.1

准备数据集

获取数据集。

用户自行获取 ImageNet 原始数据集，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。

├── ImageNet
      ├──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/ # 启动评测脚本前，需对应修改评测脚本中的resume参数，指定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：
--data                              //数据集路径
-j                                  //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
--ngpu                              //训练设备数量
--device_id                         //训练设备id

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-竞品V	-	-	1	-	1.5
8p-竞品V	-	-	90	-	1.5
1p-NPU	-	1574.13	1	O2	1.5
8p-NPU	70.972	10912.79	90	O2	1.5

版本说明

变更

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