Name	Name	Last commit message	Last commit date
parent directory ..
run_scripts	run_scripts
test	test
DOCKERFILE	DOCKERFILE
README.md	README.md
classify_infer.py	classify_infer.py
classify_train.py	classify_train.py
dataloaders.py	dataloaders.py
env.sh	env.sh
requirement.txt	requirement.txt
run_docker.sh	run_docker.sh

vision_classification(PyTorch)

模型概述

vision_classification系列网络是基于 torchvision.models(v0.7.0)的寒武纪实现版本，torchvision是pytorch用来处理图像，构建计算机视觉模型的算法库，其中torchvision.models包含常用的算法模型结构，且含预训练模型，例如ResNet50、VGG16、AlexNet等；

支持情况

训练模型支持情况

Models	Framework	Supported MLU	Supported Data Precision	Multi-MLUS
ResNet50	PyTorch1.6	MLU370-X8	AMP/FP32	Yes
ResNet18	PyTorch1.6	MLU370-X8	FP32	Yes
VGG16	PyTorch1.6	MLU370-X8	AMP/FP32	Yes
MobileNetv2	PyTorch1.6	MLU370-X8	AMP/FP32	Yes
AlexNet	PyTorch1.6	MLU370-X8	FP32	Yes
GoogleNet	PyTorch1.6	MLU370-X8	AMP/FP32	Yes
ResNet101	PyTorch1.6	MLU370-X8	FP32	Yes
VGG19	PyTorch1.6	MLU370-X8	FP32	Yes
VGG16_bn	PyTorch1.6	MLU370-X8	FP32	Yes
ShuffleNet_v2_x0_5	PyTorch1.6	MLU370-X8	FP32	Yes
ShuffleNet_v2_x1_0	PyTorch1.6	MLU370-X8	FP32	Yes
ShuffleNet_v2_x1_5	PyTorch1.6	MLU370-X8	FP32	Yes

推理模型支持情况

Models	Framework	Supported MLU	Supported Data Precision	Supported Infer Mode
ResNet50	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
ResNet18	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
VGG16	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
MobileNetv2	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
AlexNet	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
GoogleNet	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
ResNet101	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
VGG19	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
VGG16_bn	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
ShuffleNet_v2_x0_5	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
ShuffleNet_v2_x1_0	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL
ShuffleNet_v2_x1_5	PyTorch1.6	MLU370-S4/X4	FP16/FP32	CNNL

默认参数配置

模型训练默认参数配置

以下为vision_classification模型的默认参数配置：

Optimizer

Models	优化器	Learning Rate	Learning rate schedule	Weight decay	Label Smoothing	Epoch
ResNet50	SGD	0.1	Linear schedule	1e-4	None	100
ResNet18	SGD	0.2	Linear schedule	1e-4	None	150
VGG16	SGD	0.02	Linear schedule	1e-4	None	100
MobileNetv2	SGD	0.05	Linear schedule	4e-5	None	100
AlexNet	SGD	0.04	Linear schedule	1e-4	None	150
GoogleNet	SGD	0.1	Linear schedule	4e-5	None	150
ResNet101	SGD	0.1	Linear schedule	4e-5	None	100
VGG19	SGD	0.01	Linear schedule	1e-4	None	100
VGG16_bn	SGD	0.01	Linear schedule	1e-4	None	150
ShuffleNet_v2_x0_5	SGD	0.5	Linear schedule	4e-5	None	300
ShuffleNet_v2_x1_0	SGD	0.5	Linear schedule	4e-5	None	300
ShuffleNet_v2_x1_5	SGD	0.25	Linear schedule	4e-5	None	300

Data Augmentation

模型训练使用了以下数据增强方法：

Normolization
Crop image to 224*224
RandomHorizontalFlip

模型推理默认参数配置

ckpt: 没有指定该参数的情况下，默认会从$TORCH_HOME/checkpoints/下加载模型，找不到模型的情况下，还可以自动从torchvision官网下载，也可选指定训练完成的权重(eg. --ckpt /model/xxxx.pt)
batch_size: 64
input_data_type：默认使用 float32
qint：默认不开启量化

环境依赖

Linux常见操作系统版本(如Ubuntu18.04，Ubuntu20.04, CentOS7.6)，安装docker(>=v18.00.0)应用程序；
服务器装配好寒武纪计算板卡MLU370-X8;
Cambricon Driver >=v4.20.6；
若不具备以上软硬件条件，可前往寒武纪云平台注册并试用@TODO

快速入门指南

文件说明

run_scripts/ 包含一键训练和推理的shell脚本文件
models/ 包含原始模型仓库文件
classify_train.py 模型训练脚本，更多信息使用python classify_train.py -h查看
classify_infer.py 模型推理验证脚本, 更多信息使用python classify_infer.py -h查看

环境准备

基于base docker image安装

1、导入镜像

##下载Cambricon PyTorch docker镜像
docker load -i xxx.tar.gz

2、启动测试容器

#run_docker.sh中的path_of_pytorch_modelzoo:path_of_pytorch_modelzoo中，
#前一个path_of_pytorch_modelzoo为用户host主机端pytorch_modelzoo真实路径，
#后一个path_of_pytorch_modelzoo为映射到容器内的路径。
#path_of_datase：path_of_dataset同理。

bash run_docker.sh

3、启动虚拟环境，安装依赖，并设置环境变量

#1、env.sh中的`IMAGENET_TRAIN_DATASET`为容器内imagenet训练数据集的路径，这个环境变量需要用户根据真实情况设置。 
#2、TORCH_HOME为torchvision自动下载模型时保存的路径，用户可以根据实际情况设置，DATASET_NAME描述本Demo使用的数据集名称。 
#3、env.sh中的`IMAGENET_INFER_CHECKPOINT`为ShuffleNet_v2_x1_5模型使用--ckpt参数加载模型checkpoint的路径，本工程只有ShuffleNet_v2_x1_5提供了ckpt例子。

pip install -r requirement.txt
source env.sh

使用Dockerfile准备环境

1、生成vision_classification的Docker镜像：

export IMAGE_NAME=test_vision_classification
docker build --network=host -t $IMAGE_NAME -f DOCKERFILE ../../../../

2、创建容器

#注意：前一个path_of_dataset为用户host主机端数据集存放的路径，后一个path_of_dataset为映射到镜像内的路径。

docker run -it --ipc=host -v path_of_dataset:path_of_dataset -v /usr/bin/cnmon:/usr/bin/cnmon --device /dev/cambricon_ctl --privileged --name test_classify --network=host $IMAGE_NAME

3、启动虚拟环境，设置环境变量

#1、env.sh中的`IMAGENET_TRAIN_DATASET`为容器内imagenet训练数据集的路径，这个环境变量需要用户根据真实情况设置。 
#2、TORCH_HOME为torchvision自动下载模型时保存的路径，用户可以根据实际情况设置，DATASET_NAME描述本Demo使用的数据集名称。
#3、env.sh中的`IMAGENET_INFER_CHECKPOINT`为ShuffleNet_v2_x1_5模型使用--ckpt参数加载模型checkpoint的路径，本工程只有ShuffleNet_v2_x1_5提供了ckpt例子。 

source env.sh

数据集准备

该vision_classification系列模型基于ILSVRC2012数据集训练，下载链接：https://www.image-net.org/。数据集请放在 $IMAGENET_TRAIN_DATASET目录下。目录结构为：

├── train
│   ├── n01440764
│   ├── n01443537
│   ├── ...
├── train.txt
├── val
│   ├── n01440764
│   ├── n01443537
│   ├── ...
└── val.txt

Run 脚本执行

bash run_scripts/ResNet50/ResNet50_AMP_100E_4MLUs_Train.sh

一键执行训练脚本

Models	Framework	MLU	MODE	Cards	Run
ResNet50	PyTorch1.6	MLU370-X8	AMP(from scratch)	4	bash run_scripts/ResNet50/ResNet50_AMP_100E_4MLUs_Train.sh
ResNet50	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ResNet50/ResNet50_FP32_100E_4MLUs_Train.sh
ResNet18	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ResNet18/ResNet18_FP32_100E_4MLUs_Train.sh
VGG16	PyTorch1.6	MLU370-X8	AMP(from scratch)	4	bash run_scripts/VGG16/VGG16_AMP_100E_4MLUs_Train.sh
VGG16	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/VGG16/VGG16_FP32_100E_4MLUs_Train.sh
MobileNet_v2	PyTorch1.6	MLU370-X8	AMP(from scratch)	4	bash run_scripts/MobileNet_v2/MobileNetv2_AMP_150E_4MLUs_Train.sh
MobileNet_v2	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/MobileNet_v2/MobileNetv2_FP32_150E_4MLUs_Train.sh
AlexNet	PyTorch1.6	MLU370-X8	FP32(from scratch)	8	bash run_scripts/AlexNet/AlexNet_FP32_100E_8MLUs_Train.sh
GoogleNet	PyTorch1.6	MLU370-X8	AMP(from scratch)	4	bash run_scripts/GoogleNet/GoogleNet_AMP_150E_4MLUs_Train.sh
GoogleNet	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/GoogleNet/GoogleNet_FP32_150E_4MLUs_Train.sh
ResNet101	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ResNet101/ResNet101_FP32_100E_4MLUs_Train.sh
VGG19	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/VGG19/VGG19_FP32_100E_4MLUs_Train.sh
VGG16_bn	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/VGG16_bn/VGG16_bn_FP32_100E_4MLUs_Train.sh
ShuffleNet_v2_x0_5	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ShuffleNet_v2_x0_5/ShuffleNetv2x05_FP32_300E_4MLUs_Train.sh
ShuffleNet_v2_x1_0	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ShuffleNet_v2_x1_0/ShuffleNetv2x10_FP32_300E_4MLUs_Train.sh
ShuffleNet_v2_x1_5	PyTorch1.6	MLU370-X8	FP32(from scratch)	4	bash run_scripts/ShuffleNet_v2_x1_5/ShuffleNetv2x15_FP32_300E_4MLUs_Train.sh

一键执行推理脚本

注意：ShuffleNetv2x15_Infer.sh脚本中，由于torchvision官方没有提供预训练模型，所以无法自动下载模型推理，建议通过设置env.sh中的IMAGENET_INFER_CHECKPOINT进行推理。

Models	Framework	MLU	Run
ResNet50	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ResNet50/ResNet50_Infer.sh
ResNet18	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ResNet18/ResNet18_Infer.sh
VGG16	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/VGG16/VGG16_Infer.sh
MobileNetv2	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/MobileNet_v2/MobileNetv2_Infer.sh
AlexNet	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/AlexNet/AlexNet_Infer.sh
GoogleNet	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/GoogleNet/GoogleNet_Infer.sh
ResNet101	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ResNet101/ResNet101_Infer.sh
VGG19	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/VGG19/VGG19_Infer.sh
VGG16_bn	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/VGG16_bn/VGG16_bn_Infer.sh
ShuffleNet_v2_x0_5	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ShuffleNet_v2_x0_5/ShuffleNetv2x05_Infer.sh
ShuffleNet_v2_x1_0	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ShuffleNet_v2_x1_0/ShuffleNetv2x10_Infer.sh
ShuffleNet_v2_x1_5	PyTorch1.6	MLU370-S4/MLU370-X4	bash run_scripts/ShuffleNet_v2_x1_5/ShuffleNetv2x15_Infer.sh

免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。

ImageNet1K 数据集下载链接：https://www.image-net.org/
torchvision.models 模型代码链接：https://github.com/pytorch/vision/tree/v0.7.0/torchvision/models

Release_Notes

@TODO

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

vision_classification

vision_classification

README.md

vision_classification(PyTorch)

模型概述

支持情况

训练模型支持情况

推理模型支持情况

默认参数配置

模型训练默认参数配置

Optimizer

Data Augmentation

模型推理默认参数配置

环境依赖

快速入门指南

文件说明

环境准备

基于base docker image安装

1、导入镜像

2、启动测试容器

3、启动虚拟环境，安装依赖，并设置环境变量

使用Dockerfile准备环境

1、生成vision_classification的Docker镜像：

2、创建容器

3、启动虚拟环境，设置环境变量

数据集准备

Run 脚本执行

一键执行训练脚本

一键执行推理脚本

免责声明

Release_Notes

Files

vision_classification

Directory actions

More options

Directory actions

More options

Latest commit

History

vision_classification

Folders and files

parent directory

README.md

vision_classification(PyTorch)

模型概述

支持情况

训练模型支持情况

推理模型支持情况

默认参数配置

模型训练默认参数配置

Optimizer

Data Augmentation

模型推理默认参数配置

环境依赖

快速入门指南

文件说明

环境准备

基于base docker image安装

1、导入镜像

2、启动测试容器

3、启动虚拟环境，安装依赖，并设置环境变量

使用Dockerfile准备环境

1、生成vision_classification的Docker镜像：

2、创建容器

3、启动虚拟环境，设置环境变量

数据集准备

Run 脚本执行

一键执行训练脚本

一键执行推理脚本

免责声明

Release_Notes