OpenMMLab AI实战第三课笔记

        本博客是实战营的第三堂课，主要内容有两部分：①图像分类代码课和②超算平台的介绍和使用，干货满满，那我们马上开始吧！

        训练一个网络通常需要定义数据、定义模型、训练、测试，不同类型的代码库具体呈现不同，但大体思路是一致的。       

一、MMClassification介绍

        首先做个简单介绍，MMClassification是用来做图像分类的工具包，由丰富的模型(上述提到的模型都有)、常用数据集、训练技巧与策略、易用的工具、模块化设计等等。

命令：

    推理工具：单张图像推理、测试(单卡&多机多卡)

Getting Started — MMClassification 0.25.0 documentation

    训练工具：单卡训练、多卡训练(单机&多机)、任务调度器、从 checkpoint 恢复训练

Getting Started — MMClassification 0.25.0 documentation

    使用MIN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

    流程：下载配置文件和预训练权重→训练→测试

https://github.com/open-mmlab/mim

    OpenMMLab环境构建：

   

            在pytorch中的一些运行代码，在OpenMMLab中是以配置文件的形式出现的，如下所示：

         通过配置文件定义，所以可以不用写一些繁杂的python代码，虽然底层实现逻辑也是一样的。

        在OpenMMLab官方Github网站上可以查看MMClassification库包

 

        支持非常多的现有模型

 

        我以MobileNet V3为例查看，下图展示了网络结构和在给定配置文件下的正确率情况。可以直接从这里下载模型和配置文件。也可以在命令行直接通过命令下载。

        对于MMClassification实际使用当中，既可以调用模型库预训练的图像分类模型进行预测、也可以在自己的数据集上进行迁移学习和微调，得到自己的图像分类模型。

    图像分类模型构成：

    图像分类模型构建(代码详见官网，这里简述流程)

    主干网络→颈部→分类头

    数据集构建(代码详见官网，这里简述流程)

    加载数据DataLoader→数据集Dataset

    定义数据加载流水线

    对图像读取并处理(裁剪、缩放、格式转换)

    配置学习策略

    优化器、学习率、运行器

    预训练模型库

Model Zoo Summary — MMClassification 0.25.0 documentation

二、超算平台介绍

 

      登录超算网站，页面如下：

        下载客户端，使用云平台客户端。     

一些小碎碎念：

        本节课前半部分的代码对于细节讲解的很到位，值得反复回看。我给大家的建议就是多看回放，对于已经理解的部分选择性加速听，对于不理解的地方反复听，也可以选择留言，每节课都有答疑阶段；而对于今天的代码部分，可以提前下载好官方文档和代码，对照着课程一起看，事半功倍哦！