6.0 KiB

Raw Blame History Unescape Escape

MobileNetV3描述

MobileNetV3结合硬件感知神经网络架构搜索（NAS）和NetAdapt算法，已经可以移植到手机CPU上运行，后续随新架构进一步优化改进。（2019年11月20日）

论文：Howard, Andrew, Mark Sandler, Grace Chu, Liang-Chieh Chen, Bo Chen, Mingxing Tan, Weijun Wang et al."Searching for mobilenetv3."In Proceedings of the IEEE International Conference on Computer Vision, pp. 1314-1324.2019.

模型架构

MobileNetV3总体网络架构如下：

链接

数据集

使用的数据集：imagenet

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/CPU
- 准备GPU/CPU处理器搭建硬件环境。
框架
- MindSpore
如需查看详情，请参见如下资源：
- MindSpore教程
- MindSpore Python API

脚本说明

脚本和样例代码

├── MobileNetV3
  ├── Readme.md     # MobileNetV3相关描述
  ├── scripts
  │   ├──run_train.sh   # 用于训练的shell脚本
  │   ├──run_eval.sh    # 用于评估的shell脚本
  ├── src
  │   ├──config.py      # 参数配置
  │   ├──dataset.py     # 创建数据集
  │   ├──launch.py      # 启动python脚本
  │   ├──lr_generator.py     # 配置学习率
  │   ├──mobilenetV3.py      # MobileNetV3架构
  ├── train.py      # 训练脚本
  ├── eval.py       #  评估脚本
  ├── mindspore_hub_conf.py       #  MindSpore Hub接口

训练过程

用法

使用python或shell脚本开始训练。shell脚本的使用方法如下：

GPU: sh run_trian.sh GPU [DEVICE_NUM] [VISIABLE_DEVICES(0,1,2,3,4,5,6,7)] [DATASET_PATH]
CPU: sh run_trian.sh CPU [DATASET_PATH]

启动

# 训练示例
  python:
      GPU: python train.py --dataset_path ~/imagenet/train/ --device_targe GPU
      CPU: python train.py --dataset_path ~/cifar10/train/ --device_targe CPU
  shell:
      GPU: sh run_train.sh GPU 8 0,1,2,3,4,5,6,7 ~/imagenet/train/
      CPU: sh run_train.sh CPU ~/cifar10/train/

结果

训练结果保存在示例路径中。检查点默认保存在./checkpoint中，训练日志重定向到./train/train.log，如下所示：

epoch:[  0/200], step:[  624/  625], loss:[5.258/5.258], time:[140412.236], lr:[0.100]
epoch time:140522.500, per step time:224.836, avg loss:5.258
epoch:[  1/200], step:[  624/  625], loss:[3.917/3.917], time:[138221.250], lr:[0.200]
epoch time:138331.250, per step time:221.330, avg loss:3.917

评估过程

用法

使用python或shell脚本开始训练。shell脚本的使用方法如下：

GPU: sh run_infer.sh GPU [DATASET_PATH] [CHECKPOINT_PATH]
CPU: sh run_infer.sh CPU [DATASET_PATH] [CHECKPOINT_PATH]

启动

# 推理示例
  python:
    GPU: python eval.py --dataset_path ~/imagenet/val/ --checkpoint_path mobilenet_199.ckpt --device_targe GPU
    CPU: python eval.py --dataset_path ~/cifar10/val/ --checkpoint_path mobilenet_199.ckpt --device_targe CPU

  shell:
    GPU: sh run_infer.sh GPU ~/imagenet/val/ ~/train/mobilenet-200_625.ckpt
    CPU: sh run_infer.sh CPU ~/cifar10/val/ ~/train/mobilenet-200_625.ckpt

训练过程中可以生成检查点。

结果

推理结果保存示例路径中，可以在val.log中找到如下结果：

result:{'acc':0.71976314102564111} ckpt=/path/to/checkpoint/mobilenet-200_625.ckpt

导出MINDIR

修改src/config.py文件中的export_mode和export_file, 运行export.py。

python export.py --device_target [PLATFORM] --checkpoint_path [CKPT_PATH]

模型描述

性能

训练性能

参数	MobilenetV3
模型版本	大版本
资源	NV SMX2 V100-32G
上传日期	2020-05-06
MindSpore版本	0.3.0
数据集	ImageNet
训练参数	src/config.py
优化器	Momentum
损失函数	Softmax交叉熵
输出	概率
损失	1.913
准确率	ACC1[77.57%] ACC5[92.51%]
总时长	1433分钟
参数(M)	5.48M
微调检查点	44M
脚本	链接

随机情况说明

dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。

ModelZoo主页

请浏览官网主页。

6.0 KiB Raw Blame History Unescape Escape

目录