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。