CSWin-Transformer for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

简述

CSWin-Transformer提出的 CSWin 是使用了条状区域来计算 attention ，在网络的不同阶段使用不同宽度的条状区域，在节约计算资源的同时实现了强大的特征建模能力。

• 参考实现：

  url=https://github.com/microsoft/CSWin-Transformer
  commit_id=f111ae2f771df32006e7afd7916835dd67d4cb9d
  

• 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

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史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
  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。

• 安装 numactl 。

  apt-get install -y numactl
  

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ImageNet，将数据集上传到服务器任意路径下并解压。

   以ImageNet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。

2. 数据预处理。

   在源码包根目录下新建 dataset 文件夹，并在 dataset 路径下添加 ILSVRC2012_name_train.txt 、ILSVRC2012_name_val.txt 和 imagenet_class_index.json 文件，文件下载地址：https://github.com/microsoft/CSWin-Transformer/tree/main/dataset 。

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                         //数据集路径     
    --model                        //模型名称
    -b                             //训练批次大小
    --lr                           //初始学习率
    --local_rank                   //训练设备卡号
    --weight-decay                 //权重衰减
    --img-size                     //训练图片大小 
    --amp                          //是否使用混合精度
    --warmup-epochs                //预热重复训练次数
    --model-ema-decay              //ema衰减
    --drop-path                    //随机路径删除参数
   

   训练完成后，权重文件默认会写入到output目录下，并输出模型训练精度和性能信息到test下output文件夹内。

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	-	230	1	-	1.5
8p-竞品V	82.3	1700	310	-	1.5
1p-NPU	-	150	1	O2	1.8
8p-NPU	82.45	1210	310	O2	1.8

版本说明

变更

2022.11.23：更新torch1.8版本，重新发布。

2022.01.15：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