MMclassification代码教学与北京超算平台
1.MMclassification代码教学
主要学习了mmclassifiaction配置文件参数设置和一些命令,还有北京超算平台的环境配置,提交作业运行。
深度学习模型的训练涉及几个方面:
− 模型结构 模型有几层、每层多少通道数等等
− 数据集 用什么数据训练模型:数据集划分、数据文件路径、数据增强策略等等
− 训练策略 梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等
− 运行时 GPU、分布式环境配置等等
− 一些辅助功能 如打印日志、定时保存checkpoint等等
数据集支持
• MNIST / CIFAR
• ImageNet 1K / 21K(作业中的flower_datasets数据集就要先转化成imgaenet同时,按8:2划分训练集和验证集)
• 自定义数据集
• 优化器与学习率策略
• 数据增强策略
训练技巧与策略
• 优化器与学习率策略
• 数据增强策略
下载配置文件和与训练权重
$ mim download mmcls --config mobilenet-v2_8xb32_in1k --dest .
模型配置文件的下载可在下方的代码仓库里面寻找。
代码仓库:https://github.com/open-mmlab/mmclassification
以下是MMclassifiaction模型大致种类,分为卷积神经网络、轻量化神经网络、Transformer 模型。
卷积神经网络
• VGG
• ResNet & Variants
• ConvNeXt
轻量化卷积网络
• MobileNet V2/V3
• ShuffleNet V1/V2
• ……
Transformer 模型
• ViT
• MLP-Mixer
• Conformer
• DeiT
• SwinTransformer
文档教程:https://mmclassification.readthedocs.io/en/latest/
文件运作方式
使用Python API 推理
from mmcls.apis import init_model, inference_model, show_result_pyplot
model = init_model(‘mobilenet-v2_8xb32_in1k.py’,
‘mobilenet_v2_batch256_imagenet_20200708-3b2dc3af.pth’,
device=‘cuda:0’)
result = inference_model(model, ‘banana.png’)
show_result_pyplot(model, ‘banana.png’, result
2.北京超算平台
先在邮件中下载客户端安装,然后登陆,点击ssh,连接登陆,此时是登陆节点,无法运行任务,而且还需要配置以下环境,也可以将其和配置成shell文件,节省时间,一般需要注意是几卡运算调整学习率,剩下的详见北京超算模型使用手册。