目录
Mnasnet描述
MnasNet是以MobileNet为backbone,在这个基础结构上搜索block架构以替代bottleneck结构。MnasNet搜索出来的网络计算量更少,延时更小,精度更高。(2018年)
论文:Mingxing Tan, Bo Chen, Ruoming Pang, Vijay Vasudevan, Mark Sandler, Andrew Howard, Quoc V. Le. MnasNet: Platform-Aware Neural Architecture Search for Mobile 2018.
模型架构
Mnasnet总体网络架构如下:
链接
数据集
使用的数据集:ImageNet-2012
- 数据集大小: 146G, 1330k 1000类彩色图像
- 训练: 140G, 1280k张图片
- 测试: 6G, 50k张图片
- 数据格式:RGB
环境要求
- 硬件(Ascend)
- 框架
- 如需查看详情,请参见如下资源:
脚本说明
脚本和样例代码
├── mnasnet
├── README_CN.md # MNasNet架构相关描述
├── scripts
│ ├──run_standalone_train.sh # 用于单卡训练的shell脚本
│ ├──run_distribute_train.sh # 用于八卡训练的shell脚本
│ └──run_eval.sh # 用于评估的shell脚本
├── src
│ ├──models # MNasNet架构
│ │ └──mnasnet.py
│ ├──config.py # 参数配置
│ ├──dataset.py # 创建数据集
│ ├──loss.py # 损失函数
│ ├──lr_generator.py # 配置学习率
│ └──Monitor.py # 监控网络损失和其他数据
├── eval.py # 评估脚本
├── export.py # 模型格式转换脚本
└── train.py # 训练脚本
脚本参数
模型训练和评估过程中使用的参数可以在config.py中设置:
'class_num': 1000, # 数据集类别数
'batch_size': 256, # 数据批次大小
'loss_scale': 1024, # loss scale
'momentum': 0.9, # 动量参数
'weight_decay': 1e-5, # 权重衰减率
'epoch_size': 350, # 模型迭代次数
'save_checkpoint': True, # 是否保存ckpt文件
'save_checkpoint_epochs': 1, # 每迭代相应次数保存一个ckpt文件
'keep_checkpoint_max': 5, # 保存ckpt文件的最大数量
'save_checkpoint_path': "./checkpoint", # 保存ckpt文件的路径
'opt': 'rmsprop', # 优化器
'opt_eps': 0.001, # 改善数值稳定性的优化器参数
'warmup_epochs': 2, # warmup epoch数量
'lr_decay_mode': 'liner', # 学习率下降方式
'use_label_smooth': True, # 是否使用label smooth
'label_smooth_factor': 0.1, # 标签平滑因子
'lr_init': 0.0001, # 初始学习率
'lr_max': 0.2, # 最大学习率
'lr_end': 0.00001, # 最终学习率
训练过程
启动
您可以使用python或shell脚本进行训练。
# 训练示例
python:
Ascend单卡训练示例:python train.py --device_id [DEVICE_ID] --dataset_path [DATA_DIR]
shell:
Ascend单卡训练示例: sh ./scripts/run_standalone_train.sh [DEVICE_ID] [DATA_DIR]
Ascend八卡并行训练:
cd ./scripts/
sh ./run_distribute_train.sh [RANK_TABLE_FILE] [DATA_DIR]
结果
ckpt文件将存储在 ./checkpoint
路径下,训练日志将被记录到 log.txt
中。训练日志部分示例如下:
epoch: [ 0/250], step:[ 624/ 625], loss:[5.583/5.583], time:[744951.372], lr:[0.040]
epoch time: 765959.118, per step time: 1225.535, avg loss: 5.583
epoch: [ 1/250], step:[ 624/ 625], loss:[4.800/4.800], time:[294060.216], lr:[0.080]
epoch time: 295243.615, per step time: 472.390, avg loss: 4.800
epoch: [ 2/250], step:[ 624/ 625], loss:[4.312/4.312], time:[292620.547], lr:[0.120]
epoch time: 293728.792, per step time: 469.966, avg loss: 4.312
epoch: [ 3/250], step:[ 624/ 625], loss:[3.988/3.988], time:[297809.817], lr:[0.160]
epoch time: 299011.203, per step time: 478.418, avg loss: 3.988
epoch: [ 4/250], step:[ 624/ 625], loss:[3.975/3.975], time:[297641.585], lr:[0.200]
epoch time: 298663.563, per step time: 477.862, avg loss: 3.975
epoch: [ 5/250], step:[ 624/ 625], loss:[3.799/3.799], time:[299268.819], lr:[0.199]
epoch time: 300428.474, per step time: 480.686, avg loss: 3.799
epoch: [ 6/250], step:[ 624/ 625], loss:[3.689/3.689], time:[300148.012], lr:[0.198]
epoch time: 301278.408, per step time: 482.045, avg loss: 3.689
评估过程
启动
您可以使用python或shell脚本进行评估。
# 评估示例
python:
python eval.py --device_id [DEVICE_ID] --dataset_path [DATA_DIR] --checkpoint_path [PATH_CHECKPOINT]
shell:
sh ./scripts/run_eval.sh [DEVICE_ID] [DATA_DIR] [PATH_CHECKPOINT]
训练过程中可以生成ckpt文件。
结果
可以在 eval_log.txt
查看评估结果。
result: {'Loss': 2.0364865480325163, 'Top_1_Acc': 0.7412459935897436, 'Top_5_Acc': 0.9159655448717948} ckpt= /disk2/mnas3/model_0/Mnasnet-rank0-250_625.ckpt
模型说明
训练性能
参数 |
Ascend |
模型名称 |
MNasNet |
运行环境 |
Ascend 910;CPU 2.60GHz,192核;内存:755G |
上传时间 |
2021-6-11 |
MindSpore 版本 |
1.2.0 |
数据集 |
imagenet |
训练参数 |
src/config.py |
优化器 |
RMSProp |
损失函数 |
CrossEntropySmooth |
最终损失 |
2.099 |
精确度 (8p) |
Top1[74.1%], Top5[91.6%] |
训练总时间 (8p) |
20.8h |
评估总时间 |
1min |
参数量 (M) |
61M |
脚本 |
链接 |
随机情况的描述
我们在 dataset.py
和 train.py
脚本中设置了随机种子。
ModelZoo
请核对官方 主页。