|
|
|
|
|
# Resnet152描述
|
|
|
|
|
|
## 概述
|
|
|
|
|
|
ResNet系列模型是在2015年提出的，通过ResNet单元，成功训练152层神经网络，一举在ILSVRC2015比赛中取得冠军。该网络创新性的提出了残差结构，通过堆叠多个残差结构从而构建了ResNet网络。传统的卷积网络或全连接网络或多或少存在信息丢失的问题，还会造成梯度消失或爆炸，导致深度网络训练失败，ResNet则在一定程度上解决了这个问题。通过将输入信息传递给输出，确保信息完整性。整个网络只需要学习输入和输出的差异部分，简化了学习目标和难度。正因如此，ResNet十分受欢迎，甚至可以直接用于ConceptNet网络。
|
|
|
|
|
|
如下为MindSpore使用ImageNet2012数据集对ResNet152进行训练的示例。
|
|
|
|
|
|
## 论文
|
|
|
|
|
|
1. [论文](https://arxiv.org/pdf/1512.03385.pdf): Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun."Deep Residual Learning for Image Recognition"
|
|
|
|
|
|
# 模型架构
|
|
|
|
|
|
ResNet152的总体网络架构如下：[链接](https://arxiv.org/pdf/1512.03385.pdf)
|
|
|
|
|
|
# 数据集
|
|
|
|
|
|
使用的数据集：[ImageNet2012](http://www.image-net.org/)
|
|
|
|
|
|
- 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
|
|
|
- 注：数据在dataset.py中处理。
|
|
|
- 下载数据集，目录结构如下：
|
|
|
|
|
|
```text
|
|
|
└─dataset
|
|
|
├─ilsvrc # 训练数据集
|
|
|
└─validation_preprocess # 评估数据集
|
|
|
```
|
|
|
|
|
|
# 环境要求
|
|
|
|
|
|
- 硬件
|
|
|
- 准备Ascend处理器搭建硬件环境。
|
|
|
- 框架
|
|
|
- [MindSpore](https://www.mindspore.cn/install/en)
|
|
|
- 如需查看详情，请参见如下资源：
|
|
|
- [MindSpore教程](https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html)
|
|
|
- [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
|
|
|
|
|
|
# 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处理器环境运行
|
|
|
|
|
|
```Shell
|
|
|
# 分布式训练
|
|
|
用法：sh run_distribute_train.sh [RANK_TABLE_FILE] [DATASET_PATH] [PRETRAINED_CKPT_PATH]（可选）
|
|
|
|
|
|
# 单机训练
|
|
|
用法：sh run_standalone_train.sh [DATASET_PATH] [PRETRAINED_CKPT_PATH]（可选）
|
|
|
|
|
|
# 运行评估示例
|
|
|
用法：sh run_eval.sh [DATASET_PATH] [CHECKPOINT_PATH]
|
|
|
```
|
|
|
|
|
|
# 脚本说明
|
|
|
|
|
|
## 脚本及样例代码
|
|
|
|
|
|
```text
|
|
|
└──resnet
|
|
|
├── README.md
|
|
|
├── scripts
|
|
|
├── run_distribute_train.sh # 启动Ascend分布式训练（8卡）
|
|
|
├── run_eval.sh # 启动Ascend评估
|
|
|
└── run_standalone_train.sh # 启动Ascend单机训练（单卡）
|
|
|
├── src
|
|
|
├── config.py # 参数配置
|
|
|
├── dataset.py # 数据预处理
|
|
|
├── CrossEntropySmooth.py # ImageNet2012数据集的损失定义
|
|
|
├── lr_generator.py # 生成每个步骤的学习率
|
|
|
└── resnet.py # ResNet骨干网络，包括ResNet50、ResNet101、SE-ResNet50和Resnet152
|
|
|
├── eval.py # 评估网络
|
|
|
└── train.py # 训练网络
|
|
|
```
|
|
|
|
|
|
# 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ResNet152和ImageNet2012数据集。
|
|
|
|
|
|
```Python
|
|
|
"class_num":1001, # 数据集类数
|
|
|
"batch_size":32, # 输入张量的批次大小
|
|
|
"loss_scale":1024, # 损失等级
|
|
|
"momentum":0.9, # 动量优化器
|
|
|
"weight_decay":1e-4, # 权重衰减
|
|
|
"epoch_size":140, # 训练周期大小
|
|
|
"save_checkpoint":True, # 是否保存检查点
|
|
|
"save_checkpoint_epochs":5, # 两个检查点之间的周期间隔；默认情况下，最后一个检查点将在最后一个周期完成后保存
|
|
|
"keep_checkpoint_max":10, # 只保存最后一个keep_checkpoint_max检查点
|
|
|
"save_checkpoint_path":"./", # 检查点相对于执行路径的保存路径
|
|
|
"warmup_epochs":0, # 热身周期数
|
|
|
"lr_decay_mode":"steps", # 用于生成学习率的衰减模式
|
|
|
"use_label_smooth":True, # 标签平滑
|
|
|
"label_smooth_factor":0.1, # 标签平滑因子
|
|
|
"lr":0.1 # 基础学习率
|
|
|
"lr_end":0.0001, # 最终学习率
|
|
|
```
|
|
|
|
|
|
# 训练过程
|
|
|
|
|
|
## 用法
|
|
|
|
|
|
## Ascend处理器环境运行
|
|
|
|
|
|
```Shell
|
|
|
# 分布式训练
|
|
|
用法：sh run_distribute_train.sh [RANK_TABLE_FILE] [DATASET_PATH] [PRETRAINED_CKPT_PATH]（可选）
|
|
|
|
|
|
# 单机训练
|
|
|
用法：sh run_standalone_train.sh [DATASET_PATH] [PRETRAINED_CKPT_PATH]（可选）
|
|
|
|
|
|
```
|
|
|
|
|
|
分布式训练需要提前创建JSON格式的HCCL配置文件。
|
|
|
|
|
|
具体操作，参见[hccn_tools](https://gitee.com/mindspore/mindspore/tree/master/model_zoo/utils/hccl_tools)中的说明。
|
|
|
|
|
|
训练结果保存在示例路径中，文件夹名称以“train”或“train_parallel”开头。您可在此路径下的日志中找到检查点文件以及结果，如下所示。
|
|
|
|
|
|
## 结果
|
|
|
|
|
|
- 使用ImageNet2012数据集训练ResNet50
|
|
|
|
|
|
```text
|
|
|
# 分布式训练结果（8P）
|
|
|
epoch: 1 step: 5004, loss is 4.184874
|
|
|
epoch: 2 step: 5004, loss is 4.013571
|
|
|
epoch: 3 step: 5004, loss is 3.695777
|
|
|
epoch: 4 step: 5004, loss is 3.3244863
|
|
|
epoch: 5 step: 5004, loss is 3.4899402
|
|
|
...
|
|
|
```
|
|
|
|
|
|
# 评估过程
|
|
|
|
|
|
## 用法
|
|
|
|
|
|
### Ascend处理器环境运行
|
|
|
|
|
|
```Shell
|
|
|
# 评估
|
|
|
Usage: sh run_eval.sh [DATASET_PATH] [CHECKPOINT_PATH]
|
|
|
```
|
|
|
|
|
|
```Shell
|
|
|
# 评估示例
|
|
|
sh run_eval.sh /data/dataset/ImageNet/imagenet_original Resnet152-140_5004.ckpt
|
|
|
```
|
|
|
|
|
|
训练过程中可以生成检查点。
|
|
|
|
|
|
## 结果
|
|
|
|
|
|
评估结果保存在示例路径中，文件夹名为“eval”。您可在此路径下的日志找到如下结果：
|
|
|
|
|
|
- 使用ImageNet2012数据集评估ResNet152
|
|
|
|
|
|
```text
|
|
|
result: {'top_5_accuracy': 0.9438420294494239, 'top_1_accuracy': 0.78817221518} ckpt= resnet152-140_5004.ckpt
|
|
|
```
|
|
|
|
|
|
# 模型描述
|
|
|
|
|
|
## 性能
|
|
|
|
|
|
### 评估性能
|
|
|
|
|
|
#### ImageNet2012上的ResNet152
|
|
|
|
|
|
| 参数 | Ascend 910 |
|
|
|
|---|---|
|
|
|
| 模型版本 | ResNet152 |
|
|
|
| 资源 | Ascend 910；CPU：2.60GHz，192核；内存：755G |
|
|
|
| 上传日期 |2021-02-10 ; |
|
|
|
| MindSpore版本 | 1.0.1 |
|
|
|
| 数据集 | ImageNet2012 |
|
|
|
| 训练参数 | epoch=140, steps per epoch=5004, batch_size = 32 |
|
|
|
| 优化器 | Momentum |
|
|
|
| 损失函数 |Softmax交叉熵 |
|
|
|
| 输出 | 概率 |
|
|
|
| 损失 | 1.7375104 |
|
|
|
|速度|47.47毫秒/步（8卡） |
|
|
|
|总时长 | 577分钟 |
|
|
|
|参数(M) | 60.19 |
|
|
|
| 微调检查点 | 462M（.ckpt文件） |
|
|
|
| 脚本 | [链接](https://gitee.com/panpanrui/mindspore/tree/master/model_zoo/official/cv/resnet152) |
|
|
|
|
|
|
# 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](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。 |
