使用docker跑通tasn-mxnet代码

论文：《Looking for the Devil in the Details: Learning Trilinear Attention Sampling Network for Fine-grained Image Recognition》

代码：TASN

拉取镜像

根据tasn项目需求，从docker官网拉取mxnet/python、cuda8.0的镜像

docker pull mxnet/python:1.5.0_gpu_cu80_mkl_py3

挂载主机

挂载主机使得容器内部目录和宿主主机目录关联起来

sudo docker run --gpus all -it -v 宿主机目录:容器内的目录 镜像id bash

镜像id可通过docker images查看

下载TASN

1、下载tasn：

git clone https://github.com/researchmm/tasn.git
cd tasn/tasn-mxnet/example/tasn

2、安装libopenblas-dev、liblapack-dev和libopencv-dev，建立硬链接：

apt-get install -y libopenblas-dev liblapack-dev libopencv-dev
ln /dev/null /dev/raw1394

配置nccl

1、从谷歌云盘下载nccl.tar

2、将nccl.tar移动到tasn/tasn-mxnet/example/tasn目录下

3、解压nccl.tar：

tar -xvf nccl.tar

4、构建库并测试：

cd nccl
make CUDA_HOME=<cuda install path> test
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:./build/lib
./build/test/single/all_reduce_test

如果出现Error: must specify at least data size in bytes!，执行以下命令：

./build/test/single/all_reduce_test 10000000

如果出现以下内容，那么恭喜你🎉测试成功

Attention-based Sampler in TASN

1、安装MobulaOP：

# Clone the project
git clone https://github.com/wkcn/MobulaOP

# Enter the directory
cd MobulaOP

# Install MobulaOP
pip install -v -e .

2、切换到tasn/tasn-mxnet/example/tasn目录

3、下载AttentionSampler：

git clone https://github.com/wkcn/AttentionSampler

4、将以下代码复制到model.py的头部：

import mxnet as mx
import mobula
from AttentionSampler.attention_sampler import attsampler_mx
mobula.op.load('./AttentionSampler/attention_sampler')

安装portalocker2.0.0

pip install portalocker==2.0.0

cuda8.0

1、下载cuda-8.0.tar.gz：

链接: https://pan.baidu.com/s/11FpjKpd3z9l8teJS7Sd04g 密码: aiqq

2、将cuda-8.0.tar.gz移动到/usr/local目录下

3、备份原版cuda-8.0：

mv cuda-8.0 cuda-8.0-bac

4、解压cuda-8.0.tar.gz：

tar zxvf cuda-8.0.tar.gz

mxnet

1、下载mxnet.tar.gz：

链接: https://pan.baidu.com/s/1GItHSLLyL7zXQ10FOeShRw 密码: 01oe

2、将mxnet.tar.gz移动到/usr/local/lib/python3.5/dist-packages目录下：

mv mxnet.tar.gz /usr/local/lib/python3.5/dist-packages

3、备份原版mxnet：

mv mxnet mxnet_bac

4、解压mxnet.tar.gz：

tar zxvf mxnet.tar.gz

下载预训练模型和数据

1、切换到tasn/tasn-mxnet/example/tasn目录

2、将预训练模型下载到tasn/tasn-mxnet/example/tasn/model目录：

sudo wget http://data.mxnet.io.s3-website-us-west-1.amazonaws.com/models/imagenet/resnet/18-layers/resnet-18-0000.params -O model/resnet-18-0000.params
sudo wget http://data.mxnet.io.s3-website-us-west-1.amazonaws.com/models/imagenet/resnet/18-layers/resnet-18-symbol.json -O model/resnet-18-symbol.json
sudo wget http://data.mxnet.io.s3-website-us-west-1.amazonaws.com/models/imagenet/resnet/50-layers/resnet-50-symbol.json -O model/resnet-50-symbol.json
sudo wget http://data.mxnet.io.s3-website-us-west-1.amazonaws.com/models/imagenet/resnet/50-layers/resnet-50-0000.params -O model/resnet-50-0000.params

3、从谷歌云盘下载cub.tara数据

4、将cub.tar移动到tasn/tasn-mxnet/example/tasn/data目录下

5、解压cub.tar：

tar -xvf data/cub.tar -C data/

修改train.sh

vim train.sh

1、修改cuda路径

2、将python改为python3

修改后的结果如下图所示：

训练TASN

./tasn.sh

完结～撒花🎉