From 3903e5797a205bc350e13d37beba18e907991e5b Mon Sep 17 00:00:00 2001 From: panfengfeng Date: Sat, 5 Dec 2020 16:17:41 +0800 Subject: [PATCH] update nasnet readme_cn --- model_zoo/official/cv/nasnet/README.md | 47 +++---- model_zoo/official/cv/nasnet/README_CN.md | 159 +++++++++++++++------- 2 files changed, 128 insertions(+), 78 deletions(-) diff --git a/model_zoo/official/cv/nasnet/README.md b/model_zoo/official/cv/nasnet/README.md index f65a03a4f0..02137f59f7 100644 --- a/model_zoo/official/cv/nasnet/README.md +++ b/model_zoo/official/cv/nasnet/README.md @@ -4,7 +4,7 @@ - [Model Architecture](#model-architecture) - [Dataset](#dataset) - [Environment Requirements](#environment-requirements) -- [Quick Start](#quick-start) +- [Quick Start](#quick-start) - [Script Description](#script-description) - [Script and Sample Code](#script-and-sample-code) - [Script Parameters](#script-parameters) @@ -18,7 +18,6 @@ # [NASNet Description](#contents) - [Paper](https://arxiv.org/abs/1707.07012): Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Learning Transferable Architectures for Scalable Image Recognition. 2017. # [Model architecture](#contents) @@ -27,27 +26,25 @@ The overall network architecture of NASNet is show below: [Link](https://arxiv.org/abs/1707.07012) - # [Dataset](#contents) Dataset used: [imagenet](http://www.image-net.org/) - Dataset size: ~125G, 1.2W colorful images in 1000 classes - - Train: 120G, 1.2W images - - Test: 5G, 50000 images + - Train: 120G, 1.2W images + - Test: 5G, 50000 images - Data format: RGB images. - - Note: Data will be processed in src/dataset.py - + - Note: Data will be processed in src/dataset.py # [Environment Requirements](#contents) - Hardware GPU - - Prepare hardware environment with GPU processor. + - Prepare hardware environment with GPU processor. - Framework - - [MindSpore](https://www.mindspore.cn/install/en) + - [MindSpore](https://www.mindspore.cn/install/en) - For more information, please check the resources below： - - [MindSpore Tutorials](https://www.mindspore.cn/tutorial/training/en/master/index.html) - - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html) + - [MindSpore Tutorials](https://www.mindspore.cn/tutorial/training/en/master/index.html) + - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html) # [Script description](#contents) @@ -77,7 +74,7 @@ Dataset used: [imagenet](http://www.image-net.org/) Parameters for both training and evaluating can be set in config.py. -``` +```python 'random_seed': 1, # fix random seed 'rank': 0, # local rank of distributed 'group_size': 1, # world size of distributed @@ -102,9 +99,9 @@ Parameters for both training and evaluating can be set in config.py. ## [Training Process](#contents) -#### Usage +### Usage -``` +```bash GPU: # distribute training example(8p) sh run_distribute_train_for_gpu.sh DATA_DIR @@ -112,7 +109,7 @@ GPU: sh run_standalone_train_for_gpu.sh DEVICE_ID DATA_DIR ``` -#### Launch +### Launch ```bash # distributed training example(8p) for GPU @@ -127,25 +124,23 @@ You can find checkpoint file together with result in log. ### Usage -``` +```bash # Evaluation sh run_eval_for_gpu.sh DEVICE_ID DATA_DIR PATH_CHECKPOINT ``` -#### Launch +### Launch ```bash # Evaluation with checkpoint sh scripts/run_eval_for_gpu.sh 0 /dataset/val ./checkpoint/nasnet-a-mobile-rank0-248_10009.ckpt ``` -#### Result +### Result Evaluation result will be stored in the scripts path. Under this, you can find result like the followings in log. - -``` + acc=73.5%(TOP1) -``` # [Model description](#contents) @@ -163,7 +158,6 @@ acc=73.5%(TOP1) | Optimizer | Momentum | | Loss Function | SoftmaxCrossEntropyWithLogits | | Loss | 1.8965 | -| Accuracy | 73.5%(TOP1) | | Total time | 144 h 8ps | | Checkpoint for Fine tuning | 89 M(.ckpt file) | @@ -173,13 +167,12 @@ acc=73.5%(TOP1) | -------------------------- | ------------------------- | | Resource | NV SMX2 V100-32G | | uploaded Date | 09/24/2020 | -| MindSpore Version | 1.0.0 | -| Dataset | ImageNet, 1.2W | +| MindSpore Version | 1.0.0 | +| Dataset | ImageNet, 1.2W | | batch_size | 32 | | outputs | probability | | Accuracy | acc=73.5%(TOP1) | - # [ModelZoo Homepage](#contents) - -Please check the official [homepage](https://gitee.com/mindspore/mindspore/tree/master/model_zoo). + +Please check the official [homepage](https://gitee.com/mindspore/mindspore/tree/master/model_zoo). diff --git a/model_zoo/official/cv/nasnet/README_CN.md b/model_zoo/official/cv/nasnet/README_CN.md index d15627f7d3..f7b7f39e8d 100644 --- a/model_zoo/official/cv/nasnet/README_CN.md +++ b/model_zoo/official/cv/nasnet/README_CN.md @@ -1,60 +1,86 @@ -# NASNet示例 +# 目录 -- [NASNet示例](#nasnet示例) - - [概述](#概述) - - [要求](#要求) - - [结构](#结构) - - [参数配置](#参数配置) - - [运行示例](#运行示例) - - [训练](#训练) - - [用法](#用法) - - [运行](#运行) - - [结果](#结果) - - [评估](#评估) - - [用法](#用法-1) - - [启动](#启动) - - [结果](#结果-1) +- [目录](#目录) +- [NASNet概述](#NASNet概述) +- [模型架构](#模型架构) +- [数据集](#数据集) +- [环境要求](#环境要求) +- [脚本说明](#脚本说明) + - [脚本和样例代码](#脚本和样例代码) + - [脚本参数](#脚本参数) + - [训练过程](#训练过程) + - [评估过程](#评估过程) +- [模型描述](#模型描述) + - [性能](#性能) + - [训练性能](#训练性能) + - [评估性能](#评估性能) +- [ModelZoo主页](#modelzoo主页) -## 概述 +# NASNet概述 -此为MindSpore中训练NASNet-A-Mobile的示例。 +[论文](https://arxiv.org/abs/1707.07012): Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Learning Transferable Architectures for Scalable Image Recognition. 2017. -## 要求 +# 模型架构 -- 安装[Mindspore](http://www.mindspore.cn/install/en)。 -- 下载数据集。 +NASNet总体网络架构如下： -## 结构 +[链接](https://arxiv.org/abs/1707.07012) -```shell +# 数据集 + +使用的数据集：[imagenet](http://www.image-net.org/) + +- 数据集大小：125G，共1000个类、1.2万张彩色图像 + - 训练集：120G，共1.2万张图像 + - 测试集：5G，共5万张图像 +- 数据格式：RGB + * 注：数据在src/dataset.py中处理。 + +# 环境要求 + +- 硬件：GPU + - 使用GPU处理器来搭建硬件环境。 + +- 框架 + - [MindSpore](https://www.mindspore.cn/install) + +- 如需查看详情，请参见如下资源： + - [MindSpore教程](https://www.mindspore.cn/tutorial/training/en/master/index.html) + - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html) + +# 脚本说明 + +## 脚本及样例代码 + +```python . -└─nasnet +└─nasnet ├─README.md - ├─scripts - ├─run_standalone_train_for_gpu.sh # 使用GPU平台启动单机训练（单卡） - ├─Run_distribute_train_for_gpu.sh # 使用GPU平台启动分布式训练（8卡） - └─Run_eval_for_gpu.sh # 使用GPU平台进行启动评估 + ├─README_CN.md + ├─scripts + ├─run_standalone_train_for_gpu.sh # 使用GPU平台启动单机训练（单卡） + ├─run_distribute_train_for_gpu.sh # 使用GPU平台启动分布式训练（8卡） + └─run_eval_for_gpu.sh # 使用GPU平台进行启动评估 ├─src ├─config.py # 参数配置 ├─dataset.py # 数据预处理 ├─loss.py # 自定义交叉熵损失函数 ├─lr_generator.py # 学习率生成器 - ├─nasnet_a_mobile.py # 网络定义 - ├─eval.py # 评估网络 - ├─export.py # 转换检查点 - └─train.py # 训练网络 - +├─nasnet_a_mobile.py # 网络定义 +├─eval.py # 评估网络 +├─export.py # 转换检查点 +└─train.py # 训练网络 ``` -## 参数配置 +## 脚本参数 在config.py中可以同时配置训练参数和评估参数。 -``` +```python 'random_seed':1, # 固定随机种子 'rank':0, # 分布式训练进程序号 'group_size':1, # 分布式训练分组大小 @@ -75,25 +101,20 @@ 'opt_eps':1.0, # epsilon参数 'rmsprop_decay':0.9, # rmsprop衰减 'loss_scale':1, # 损失规模 - ``` +## 训练过程 +### 用法 -## 运行示例 - -### 训练 - -#### 用法 - -``` +```bash # 分布式训练示例（8卡） -sh run_distribute_train_for_gpu.sh DATA_DIR +sh run_distribute_train_for_gpu.sh DATA_DIR # 单机训练 sh run_standalone_train_for_gpu.sh DEVICE_ID DATA_DIR ``` -#### 运行 +### 运行 ```bash # GPU分布式训练示例（8卡） @@ -102,20 +123,20 @@ sh scripts/run_distribute_train_for_gpu.sh /dataset/train sh scripts/run_standalone_train_for_gpu.sh 0 /dataset/train ``` -#### 结果 +### 结果 可以在日志中找到检查点文件及结果。 -### 评估 +## 评估过程 -#### 用法 +### 用法 -``` +```bash # 评估 sh run_eval_for_gpu.sh DEVICE_ID DATA_DIR PATH_CHECKPOINT ``` -#### 启动 +### 启动 ```bash # 检查点评估 @@ -124,7 +145,43 @@ sh scripts/run_eval_for_gpu.sh 0 /dataset/val ./checkpoint/nasnet-a-mobile-rank0 > 训练过程中可以生成检查点。 -#### 结果 +### 结果 评估结果保存在脚本路径下。路径下的日志中，可以找到如下结果： - + +acc=73.5%(TOP1) + +# 模型描述 + +## 性能 + +### 训练性能 + +| 参数 | NASNet | +| -------------------------- | ------------------------- | +| 资源 | NV SMX2 V100-32G | +| 上传日期 | 2020-09-24 | +| MindSpore版本 | 1.0.0 | +| 数据集 | ImageNet | +| 训练参数 | src/config.py | +| 优化器 | Momentum | +| 损失函数 | SoftmaxCrossEntropyWithLogits | +| 损失值 | 1.8965 | +| 总时间 | 8卡运行约144个小时 | +| 检查点文件大小 | 89 M(.ckpt文件) | + +### 评估性能 + +| 参数 | | +| -------------------------- | ------------------------- | +| 资源 | NV SMX2 V100-32G | +| 上传日期 | 2020-09-24 | +| MindSpore版本 | 1.0.0 | +| 数据及 | ImageNet, 1.2W | +| batch_size | 32 | +| 输出 | 概率 | +| 精确度 | acc=73.5%(TOP1) | + +# ModelZoo主页 + +请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。