• 首先要熟悉平台的开发流程（debug、train、test）
• 比赛过程
• • • • 最终训练：
      • 涨点关键:
      • 其他:
    • 运行方法
    • • 调试：
      • 训练：
      • 测试：
      • 注意：

首先要熟悉平台的开发流程（debug、train、test）

https://git.openi.org.cn/zeizei/OpenI_Learning
https://git.openi.org.cn/OpenIOSSG

比赛过程

官方pytorch版本代码：
https://github.com/microsoft/Swin-Transformer/blob/main/models/swin_transformer_v2.py

参考mindspore版本代码：
https://git.openi.org.cn/a-861414389/Swin_v2;
https://gitee.com/mindspore/models/tree/r1.6/research/cv/swin_transformer

最终训练：

Swin-B 跑32卡NPU并行(4节点，每节点8卡)，训练时长90h左右（当时资源回收影响，手动kill）

涨点关键:

1. 参考官方pytorch版本代码对齐mindspore版本代码实现
2. 不同机器设置的随机种子设计成固定（train.py）
3. 采用混合精度策略amp_level为02（train.py）
4. 参数配置至关重要！参考官方（如window大小设置为16）和 调参经验（如考虑时间问题，训练轮数不足官方给出的300，更少的epoch数目，需要更大的base_lr），具体查看swinv2_base_patch4_window16_256.yaml

其他:

1. 其他配置，为了更方便的控制训练和查看结果
2. 注意openi平台与后端obs存储的数据交换（train.py、eval.py）

运行方法

调试：

镜像：tensorflow1.15-mindspore1.7.0-cann5.1.0-euler2.8-aarch64

数据集不能太大，选择imagenet small或tiny版本

debug过程设置run_modelarts=False，运行脚本在./scripts/里，具体运行看README_CN.md，其中RANK_TABLE_FILE在该环境下直接用/user/config/nbstart_hccl.json；

训练：

镜像：MindSpore-1.6.1-python3.7-aarch64

数据集：imagenet-1K

train过程设置run_modelarts=True，目前args.py配置可直接运行

启动文件train.py即可，选择4节点，每节点8卡

测试：

镜像：MindSpore-1.7-c81-python3.7-euleros2.8-aarch64

数据集：imagenet-1K

test过程设置run_modelarts=True，目前args.py配置可直接运行

往模型中导入训练好的模型，开启推理任务，选择相应的模型，启动文件eval.py即可，选择单节点1卡

注意：

数据读写要使用绝对路径！结果要上传到指定的obs路！debug模式可以直接查看当前全路径，train和test模式可先获取当前目录，然后拼接成全路径