（202302）OpenMMLab实战CV叁——图像分类代码实战与超算平台的使用

前言

本次课程主要分为三个部分，mmclassfication的代码教学、第一次作业的指导、使用北龙超云平台完成本次作业的过程。

mmclassfication代码实战教学

mmclassfication是openmmlab算法体系下的图像分类工具包，可以用它来完成图像分类的任务。

代码仓库：github.com/open-mmlab/mmclassification/

文档教程：Welcome to MMClassification’s documentation! — MMClassification 0.25.0 documentation

使用python的API进行推理

 推理、训练工具：推荐源码安装，若直接使用mmclassfication的框架也可以以python包的形式安装。Getting Started — MMClassification 0.25.0 documentation

使用mim工具实现训练和测试：MIM 为所有 OpenMMLab 工具提供了统一的命令行接口。GitHub - open-mmlab/mim: MIM Installs OpenMMLab Packages

环境搭建时，可以直接使用mim进行mmcv与mmcls的环境搭建。

配置文件

➢ 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

在 OpenMMLab 项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练 过程

− model 字段定义模型

− data 字段定义数据

− optimizer、lr_config 等字段定义训练策略

− load_from 字段定义与训练模型的参数文件

 在具体的修改方面，进行了图像分类模型构建、数据集构建、定义数据加载流水线、配置学习策略等演示，最后介绍了在mmlab的官网上还有大量的预训练模型可以使用。

第一次作业指导

告诉了作业提交的地址以及指标。了解了作业分为基础作业与进阶作业两个方面。

北龙超云平台的使用

由北龙超云平台的老师进行了作业演示。

感受：在配置环境的过程中比市场上的这些云平台确实要麻烦一些，使用的是终端，而一般的云平台使用的是图形化的下拉框进行选择。但好处是该云平台可选择的版本更多，且可以选择gcc的版本。但一般的云平台也可以在终端中进行改变的吧。只不过需要重新下载，而该平台是从集群中进行加载。

比较模糊的一点是，该平台没有告诉不同卡的计费的标准是什么，这是很危险的。我暂时持保留态度。