应用包含Involution算子的RedNet实现Classification

使用Open-mmLab进行ResNed-50 classification应用

1. Involution介绍

Involution的详细介绍请看这篇文章：

Involution：超越卷积和自注意力的神经网络新算子

2. 基于OpenMMLab mmclassification的应用

若要使用RedNet，首先需熟悉mmclassification的使用，其详细介绍可看这篇文章：

使用Open-mmLab库进行RES-50 classification

3. 使用Open-mmLab库进行RedNet-50 classification

首先在官网上下载Involution-main（下载链接），解压后将其对应文件拷贝至mmclassification-master文件夹内，接下来进入正式流程：

1. 准备数据集

   同上文ResNet-50

2. 参数设定

   在**/configs/rednet路径下，找到rednet50_b32x64_warmup_coslr_imagenet.py修改相应配置文件，其中：

    _base_包括：
    _base_ = [
        '../_base_/models/rednet50.py',                       # 模型配置
        '../_base_/datasets/mynet_bs32.py',                   # 数据集配置
        '../_base_/schedules/imagenet_bs2048_coslr_130e.py',  # 训练策略配置
        '../_base_/default_runtime.py'                       # 日志、存储相关配置
    ] 

3. 自定义数据集的加载

   同上文ResNet-50

4. 模型配置

   注意根据类别选择相应的topk

     # model settings
     model = dict(
         type='ImageClassifier',
         backbone=dict(
             type='RedNet',
             depth=50,
             num_stages=4,
             out_indices=(3, ),
             style='pytorch'),
         neck=dict(type='GlobalAveragePooling'),
         head=dict(
             type='LinearClsHead',
             num_classes=1000,
             in_channels=2048,
             loss=dict(
                 type='LabelSmoothLoss',
                 loss_weight=1.0,
                 label_smooth_val=0.1,
                 num_classes=1000),
             topk=(1, 1),
         ))

5. 训练策略

   同上文ResNet-50，调整合适的训练策略

6. 训练模型

   单一GPU训练命令如下：

python tools/train.py D:\DeepLearning\mmclassfication_inv\configs\rednet\rednet50_b32x64_mynet.py  --work-dir D:\DeepLearning\mmclassfication_inv\myred50

其中optional arguments包括工作目录的定义

    --work_dir ${YOUR_WORK_DIR}

例如：