Convmixer for PyTorch

概述

简述

Convmixer由一个patch embedding层和一个简单的全卷积块的重复应用组成，并保持着patch embedding的空间结构。Convmixer是一个非常简单的卷积架构，直接在patch上操作，它在所有层中保持相同分辨率和大小的表示。Convmixer证明了patch表示本身可能会是Vision transformer这样的新架构卓越性能的最关键组件。

• 参考实现：

  url=https://github.com/locuslab/convmixer.git
  commit_id=47048118e95721a00385bfe3122519f4b583b26e
  

• 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==0.6.0；pillow==8.4.0
  PyTorch 1.8	torchvision==0.9.1；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
  

  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

   请用户自行下载ImageNet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

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性能和单机8卡训练。

   • 单机单卡性能

     启动单卡性能测试。

     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡性能

     启动8卡性能测试。

     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
     

   • 单机单卡评测

     启动单卡评测。

     bash ./test/train_eval_1p.sh --data_path=/data/xxx/ --checkpoint=ckpt_path
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --checkpoint参数填写训练生成的权重文件路径，需写到文件的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --weight-decay                      //权重衰减
   --batch-size                        //训练批次大小
   --input-size                        //输入图片大小
   --epochs                            //重复训练次数
   --lr                                //初始学习率，默认：0.01
   --num-classes                       //分类数
   --amp                               //是否使用混合精度
   --device                            //指定训练设备
   --seed                              //随机数种子设置
   --momentum                          //动量
   

   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	-	42.09	1	O2	1.8
8p-NPU	80.2%	376.64	150	O2	1.8

版本说明

变更

2023.02.24：更新内容，重新发布。

2020.07.08：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