Conformer_Ti for PyTorch

概述

简述

Conformer_Ti是一种新型的图像分类网络，由卷积神经网络（CNN）和注意力网络（Transformer）两个分类网络组成。另一个主要特征是FCU模块，该模块允许特征信息在两个学习网络之间交互。这些特征允许Conformer_Ti实现更好的分类性能。

• 参考实现：

  url=https://github.com/pengzhiliang/Conformer
  commit_id=815aaad3ef5dbdfcf1e11368891416c2d7478cb1
  

• 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 numactl 。

  pt-get install numactl  # for Ubuntu
  yum install numactl     # for CentOS
  

• 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，可选用的开源数据集为 ImageNet2012 ，将数据集上传到服务器任意路径下并解压。

   ImageNet2012 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
     

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=/data/xxx/ --resume=real_pre_train_model_path # 8卡评测
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --resume参数填写训练权重生成路径，需写到权重文件的一级目录。

   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：Conformer_tiny_patch16
   --data-set                            //训练数据集
   --num_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：0.01
   

   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	-	241.5241	2	O1	1.5
8p-竞品V	81.3	1712.3854	300	O1	1.5
1p-NPU	-	237.3549	2	O1	1.8
8p-NPU	81.4	1820.9316	300	O1	1.8

版本说明

变更

2022.11.22：更新pytorch1.8版本，重新发布。

2022.08.24：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