2023.2.3 openmmlab ai训练营直播笔记（未美化条理完整）

mmcls理论、答疑、布置作业、超算平台使用

定义数据、数据预处理、

基于dataset，做dataload做采样；

写模型（nn.module），前传计算图

device cuda 传入gpu计算；

optimizer优化模型参数；

写函数train内层循环，遍历数据集，前传预测概率，做损失，再反向传播算梯度，写logs

还有一个外层的t为参计数的循环

并且要把模型训练好的参数存储文件.pth ；

应用于新数据集的部署：

实例化，加载训练好的参数，找一个数据集，

把模型调成eval（module.eval() ），

在no_grad下，同样的数据预处理，丢到模型里产生预测值

配置文件： openmmlab module zoo里可以下载；同样功能命令行下载方式是：mim download mmcls --config mobilenet-v2_8xb32_inlk --dest .

下载下来配置文件与对应的参数文件

pipeline，定义了从加载数据集到输入网络的东西：读入，数据增强，

训练子集，验证子集，测试子集；

优化器们

简单的高级api读入模型并且进行推理：

使用init_modle,inference_modle

init_model(config，对应pth，device)

推理inference_model(model, '图片')

可视化shou_result_pyplot(初始化后模型，'图片'，推理结果)

训练：

基于预训练模型进行微调训练：

修改配置文件，model字段修改num_classed，设置load_from为预训练好的pth；

data字段修改type为customdataset，配置路径；ann_file的标注；数据增强部分按需改动。

优化器部分，可选的修改，但是记得gpu个数不同，等比要修改lr。

runner字段定义训练epoch轮数，log_config中interval修改多少iteration后输出一次log

启动训练：

mim train mmcls 配置文件

交叉熵损失的函数应该要弄得比较懂一些。

答疑部分：

拥有全连接层的网络要求输入图像的尺寸的恒定的；用global ag来代替全连接层就可以使用不同的输入大小；

实践部分：

conda安装pytorch缓慢的原因，slove envirnment很久，并且condatool很久；

按照视频走的话到了分割数据集的一步没有完全同步，分割完数据集之后进行配置文件的下载与准备，每个人可以使用不同的。

提交训练任务到gpu服务器： 书写一个run.sh 文件

（#!/bin/bash 设置编译器

module load 三个你使用环境需要的

source activate 环境

export PYTHONUNBUFFERED=1 用以刷新log

python tools/train.py --configs ... 正常些python运行train.py所需要的

）

将上述.sh命令行文件提交：sbatch --gpus=1 run.sh

parajobs 查看提交的作业，用输出的id来查看log输出，可以用节点id，用ssh 来查看，例如ssh g0099 进入到gpu环境，使用nvidia-smi 来查看

使用grep python 来查看进程；exit来退出

log会存储在提交.sh文件目录下的的slurm，使用tail -f 文件查看