目录
RepVGG是由清华大学&旷世科技等提出的一种新颖的CNN设计范式,它将ACNet的思想与VGG架构进行了巧妙的结合,即避免了VGG类方法训练所得精度低的问题,又保持了VGG方案的高效推理优点,它首次将plain模型的精度在ImageNet上提升到了超过80%top1精度。相比ResNet、RegNet、EfficientNet等网络,RepVGG具有更好的精度-速度均衡。
使用的数据集:ImageNet2012
- 数据集大小:共1000个类、224*224彩色图像
- 训练集:共1,281,167张图像
- 测试集:共50,000张图像
- 数据格式:JPEG
- 下载数据集,目录结构如下:
└─dataset
├─train # 训练数据集
└─val # 评估数据集
混合精度
采用混合精度
的训练方法,使用支持单精度和半精度数据来提高深度学习神经网络的训练速度,同时保持单精度训练所能达到的网络精度。混合精度训练提高计算速度、减少内存使用的同时,支持在特定硬件上训练更大的模型或实现更大批次的训练。
- 硬件(Ascend)
- 框架
- 如需查看详情,请参见如下资源:
脚本及样例代码
├── convnext
├── README_CN.md // RepVGG相关说明
├── scripts
├──run_standalone_train_ascend.sh // 单卡Ascend910训练脚本
├──run_distribute_train_ascend.sh // 多卡Ascend910训练脚本
├──run_infer_310.sh // Ascend310推理脚本
├──run_eval_ascend.sh // 测试脚本
├── src
├──configs // RepVGG的配置文件
├──data // 数据集配置文件
├──imagenet.py // imagenet配置文件
├──augment // 数据增强函数文件
┕──data_utils // modelarts运行时数据集复制函数文件
│ ├──models // 模型定义文件夹
├──repvgg.py // repvgg模型文件
┕──layers // 相关工具层定义文件
┕──RepVGG // RepVGG定义文件
│ ├──trainers // 自定义TrainOneStep文件
│ ├──tools // 工具文件夹
├──callback.py // 自定义回调函数,训练结束测试
├──cell.py // 一些关于cell的通用工具函数
├──criterion.py // 关于损失函数的工具函数
├──get_misc.py // 一些其他的工具函数
├──optimizer.py // 关于优化器和参数的函数
┕──schedulers.py // 学习率衰减的工具函数
├── train.py // 训练文件
├── eval.py // 评估文件
├── export.py // 模型导出文件
├── preprocess.py // 推理数据集与处理文件
├── postprocess.py // 推理精度处理文件
脚本参数
在config.py中可以同时配置训练参数和评估参数。
-
配置RepVGG和ImageNet-1k数据集。
# Architecture
arch: RepVGG-A0-A0tiny # RepVGG结构选择
# ===== Dataset ===== #
data_url: ./data/imagenet # 数据集地址
set: ImageNet # 数据集名字
num_classes: 1000 # 数据集分类数目
mix_up: 0.0 # MixUp数据增强参数
cutmix: 0.0 # CutMix数据增强参数
auto_augment: None # AutoAugment参数
interpolation: bicubic # 图像缩放插值方法
re_prob: 0 # RandomErasing概率
re_mode: pixel # RandomErasing模式
re_count: 1 # RandomErasing重复次数
mixup_prob: 1. # MixUp概率
switch_prob: 0.5 # MixUp和CutMix切换概率
mixup_mode: batch # MixUp模式
# ===== Learning Rate Policy ======== #
optimizer: momentum # 优化器类别
base_lr: 0.1 # 基础学习率
warmup_lr: 0.00000007 # 学习率热身初始学习率
min_lr: 0.000006 # 最小学习率
lr_scheduler: cosine_lr # 学习率衰减策略
warmup_length: 0 # 学习率热身轮数
image_size: 224 # 图像大小
# ===== Network training config ===== #
amp_level: O1 # 混合精度策略
beta: [ 0.9, 0.999 ] # adamw参数
clip_global_norm_value: 5. # 全局梯度范数裁剪阈值
is_dynamic_loss_scale: True # 是否使用动态缩放
epochs: 180 # 训练轮数
label_smoothing: 0.1 # 标签平滑参数
weight_decay: 0.0001 # 权重衰减参数
momentum: 0.9 # 优化器动量
batch_size: 512 # 批次
# ===== EMA ===== #
with_ema: False # 是否使用ema更新
ema_decay: 0.9999 # ema移动系数
# ===== Hardware setup ===== #
num_parallel_workers: 16 # 数据预处理线程数
device_target: Ascend # GPU或者Ascend
更多配置细节请参考脚本config.py
。 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处理器环境运行
# 使用python启动单卡训练
python train.py --device_id 0 --device_target Ascend --config ./src/configs/van_base.yaml \
> train.log 2>&1 &
# 使用脚本启动单卡训练
bash ./scripts/run_standalone_train_ascend.sh [DEVICE_ID] [CONFIG_PATH]
# 使用脚本启动多卡训练
bash ./scripts/run_distribute_train_ascend.sh [RANK_TABLE_FILE] [CONFIG_PATH]
# 使用python启动单卡运行评估示例
python eval.py --device_id 0 --device_target Ascend --config ./src/configs/van_base.yaml \
--pretrained ./ckpt_0/RepVGG-A0.ckpt > ./eval.log 2>&1 &
# 使用脚本启动单卡运行评估示例
bash ./scripts/run_eval_ascend.sh [DEVICE_ID] [CONFIG_PATH] [CHECKPOINT_PATH]
对于分布式训练,需要提前创建JSON格式的hccl配置文件。
请遵循以下链接中的说明:
hccl工具
导出过程
导出
python export.py --pretrained [CKPT_FILE] --config [CONFIG_PATH] --device_target [DEVICE_TARGET] --file_format [FILE_FORMAT]
导出的模型会以模型的结构名字命名并且保存在当前目录下, 注意: FILE_FORMAT 必须在 ["AIR", "MINDIR"]中选择。
推理过程
推理
在进行推理之前我们需要先导出模型。mindir可以在任意环境上导出,air模型只能在昇腾910环境上导出。以下展示了使用mindir模型执行推理的示例。
-
在昇腾310上使用ImageNet-1k数据集进行推理
推理的结果保存在scripts目录下,在acc.log日志文件中可以找到类似以下的结果。
# Ascend310 inference
bash run_infer_310.sh [MINDIR_PATH] [DATASET_NAME] [DATASET_PATH] [DEVICE_ID]
Top1 acc: 0.72242
Top5 acc: 0.90734
性能
评估性能
ImageNet-1k上的repvgg训练
参数 |
Ascend |
模型 |
RepVGG |
模型版本 |
RepVGG-A0 |
资源 |
Ascend 910 |
上传日期 |
2022-03-12 |
MindSpore版本 |
1.3.0 |
数据集 |
ImageNet-1k Train,共1,281,167张图像 |
训练参数 |
epoch=180, batch_size=512 |
优化器 |
Momentum |
损失函数 |
CrossEntropySmooth |
损失 |
2.104 |
输出 |
概率 |
分类准确率 |
八卡:top1:72.938% top5:90.902% |
速度 |
8卡:416.189毫秒/步 |
训练耗时 |
8h06min16s(run on ModelArts) |
推理性能
ImageNet-1k上的repvgg推理
参数 |
Ascend |
模型 |
RepVGG |
模型版本 |
RepVGG-A0 |
资源 |
Ascend 310 |
上传日期 |
2022-03-12 |
MindSpore版本 |
1.3.0 |
数据集 |
ImageNet-1k Val,共50,000张图像 |
分类准确率 |
top1:72.242%,top5:90.734% |
速度 |
平均耗时2.90996 每张 |
推理耗时 |
约10min |
ModelZoo主页
请浏览官网主页