关于GCU、沐曦GPGPU、MLU、0卡V100资源4月7日恢复上架的公告>>> 关于共建具身智能开源数据集的倡议>>> 关于云脑任务中统一路径访问方式的公告>>> 关于将启智集群GPU资源迁移至智算集群的公告>>>

deng b04879d699 更新 'README.md'		1 year ago
LegoNet	cv	1 year ago

README.md	更新 'README.md'	1 year ago

README.md

目录
LegoNet概述
数据集
环境要求
快速入门
模型描述
- 性能
- - 训练性能
ModelZoo主页
- 参考文献

LegoNet概述

本代码实现基于华为诺亚方舟实验室于ICML2019发表的论文： LegoNet: Efficient Convolutional Neural Networks with Lego Filters

LegoNet指应用乐高卷积核的高效卷积神经网络。其中乐高卷积核表示具有较小尺寸的一组卷积核，传统的卷积核可以由乐高卷积核堆叠而成。

数据集

使用的训练数据集：CIFAR-10

数据集大小：175MB，共10个类、60000张图片(尺寸为32×32)
- 训练集：共50000张
- 测试集：共10000张

CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB 彩色图片：飞机、汽车、鸟类、猫、鹿、狗、蛙类、马、船和卡车。每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

环境要求

硬件：昇腾处理器（Ascend/GPU）
- 使用Ascend/GPU处理器来搭建硬件环境。
框架
- MindSpore
如需查看详情，请参见如下资源：
- MindSpore教程
- MindSpore Python API

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

Ascend

# 在单张卡上执行所有的mvtec数据
cd scripts
bash run_all_mvtec.sh [DATASET_PATH] [DEVICE_ID]

# 例如
cd scripts
bash ./run_all_mvtec.sh ../data/mvtec/ 1 

# 运行评估示例
cd scripts
bash run_eval.sh [DATASET_PATH] [CKPT_PATH] [DEVICE_ID] 

# 例如
cd scripts
bash run_eval.sh ../data/mvtec/ ../ckpt 1

# 单机训练运行示例
bash scripts/run_train_gpu.sh [DATASET_PATH] [DEVICE_ID]

# 运行评估示例
bash scripts/run_eval_gpu.sh [DATASET_PATH] [CKPT_PATH] [DEVICE_ID]

脚本说明

脚本和样例代码

LegoNet
│  eval.py
│  README.md
│  README_CN.md         // 描述
│  requirements.txt
│  train.py
│
├─scripts
│      run_all_mvtec.sh
│      run_eval.sh
│      run_eval_gpu.sh
│      run_train_gpu.sh
│
└─src
    │  datasets.py   // 数据集
    │  module.py      // LEGO卷积核
    │  utils.py     // 记录文件
    │__vgg.py    // 模型文件

脚本参数

train.py和eval.py中主要参数如下：

-- device: 可选值范围为[Ascend, GPU]. 默认Ascend.
-- device_id：用于训练或评估数据集的设备ID。当使用train.sh进行分布式训练时，忽略此参数。
-- checkpoint_path：checkpoint的输出路径。

训练过程

用法

Ascend

bash scripts/run_all_mvtec.sh [DATASET_PATH] [DEVICE_NUM]

bash scripts/run_trian_gpu.sh [DATASET_PATH] [DEVICE_ID]

上述shell脚本将在后台运行训练。

评估过程

用法

在Ascend环境运行时评估

bash scripts/run_eval.sh [DATASET_PATH] [CHECKPOINT_PATH] [DEVICE_ID]

在GPU环境运行时评估

bash scripts/run_eval_gpu.sh [DATASET_PATH] [CKPT_PATH] [DEVICE_ID]

结果

上述python命令将在后台运行，您可以通过./outputs/results.txt文件查看结果。测试数据集的准确性如下：
例如：

Correct: 0.934495

模型描述

性能

训练性能

参数	Ascend	GPU
模型版本	LegoNet	LegoNet
资源	Ascend 910； CPU： 2.60GHz，192内核；内存，755G	Ubuntu 18.04.6, Tesla V100 1p, CPU 2.90GHz, 64cores, RAM 252GB
上传日期	2022-12-18	2022-12-18
MindSpore版本	1.8.1	1.5.0
数据集	CIFAR-10	CIFAR-10
训练参数	epochs=400	epochs=400
优化器	SGD	SGD
损失函数	SoftmaxCrossEntropyWithLogits	SoftmaxCrossEntropyWithLogits
输出	概率	概率
损失	0.293	0.29
速度	8000 毫秒/步	9600 毫秒/步

ModelZoo主页

请浏览官网主页。

参考文献

@inproceedings{legonet,
	title={LegoNet: Efficient Convolutional Neural Networks with Lego Filters},
	author={Yang, Zhaohui and Wang, Yunhe and Liu, Chuanjian and Chen, Hanting and Xu, Chunjing and Shi, Boxin and Xu, Chao and Xu, Chang},
	booktitle={International Conference on Machine Learning},
	pages={7005--7014},
	year={2019}
}