ResNet网络的训练和预测

ResNet网络的训练和预测
简介 Introduction
图像分类与CNN
图像分类 是指将图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法，是计算机视觉中其他任务，比如目标检测、语义分割、人脸识别等高层视觉任务的基础。
ImageNet 大规模视觉识别挑战赛（ILSVRC），常称为 ImageNet 竞赛，包括图像分类、物体定位，以及物体检测等任务，推动计算机视觉领域发展最重要的比赛之一。
在2012年的 ImageNet 竞赛中，深度卷积网络 AlexNet 横空出世。以超出第二名10%以上的top-5准确率，勇夺 ImageNet2012 比赛的冠军。从此，以 CNN（卷积神经网络） 为代表的深度学习方法开始在计算机视觉领域的应用开始大放异彩，更多的更深的CNN网络被提出，比如 ImageNet2014 比赛的冠军 VGGNet, ImageNet2015 比赛的冠军 ResNet。
ResNet
ResNet 是2015年ImageNet竞赛的冠军。目前，ResNet 相对对于传统的机器学习分类算法而言，效果已经相当的出色，之后大量的检测，分割，识别等任务也都在 ResNet 基础上完成。
OneFlow-Benchmark 仓库中，提供 ResNet50 v1.5 的 OneFlow 实现。在 ImageNet-2012 数据集上训练90轮后，验证集上的准确率能够达到：77.318%(top1)，93.622%(top5)。
更详细的网络参数对齐工作，见 OneFlow-Benchmark的cnns 部分

关于 ResNet50 v1.5 的说明：
ResNet50 v1.5 是原始 ResNet50 v1 的一个改进版本，相对于原始的模型，精度稍有提升 (~0.5% top1) 。
本文就以上面的 ResNet50 为例，一步步展现如何使用 OneFlow 进行 ResNet50 网络的训练和预测。
主要内容包括：
• 准备工作
• 项目安装和准备工作
• 快速开始
• 预测/推理
• 训练和验证
• 评估
• 更详细的说明
• 分布式训练
• 混合精度训练与预测
• 进阶
• 参数对齐
• 数据集制作(ImageNet2012)
• OneFlow 模型转 ONNX 模型
准备工作 Requirements
别担心，使用 OneFlow 非常容易，只要准备好下面三步，即可开始 OneFlow 的图像识别之旅。
• 安装 OneFlow，安装方式参考 OneFlow项目主页
• 克隆/下载 OneFlow-Benchmark 仓库。
git clone git@github.com:Oneflow-Inc/OneFlow-Benchmark.git
cd OneFlow-Benchmark/Classification/cnns
• 准备数据集（可选）
• 直接使用 synthetic 虚拟合成数据集
• 下载制作的 Imagenet(2012) 迷你数据集 解压放入data目录
• 或者：制作完整 OFRecord 格式的 ImageNet 数据集（见下文进阶部分）
提供了通用脚本：train.sh 和 inference.sh，它们适用于此仓库下所有cnn网络模型的训练、验证、推理。可以通过设置参数使用不同的模型、数据集来训练/推理。
关于模型的说明：
默认情况下，使用resnet50，也可