目录

• • 一、数据和模型准备
  • • 1.1 数据准备
    • • 1.1.1 准备CIFAR100
  • 二、模型训练
  • • 2.1 单标签训练
    • • 2.1.1 零基础训练：不加载预训练模型的训练
      • 2.1.2 迁移学习
  • 三、数据增广
  • • 3.1 数据增广的尝试 — Mixup
  • 四、知识蒸馏
  • 五、模型评估与推理
  • • 5.1 单标签分类模型评估与推理
    • • 5.1.1 单标签分类模型评估。
      • 5.1.2 单标签分类模型预测
      • 5.1.3 单标签分类使用 inference 模型进行模型推理

---

一、数据和模型准备

1.1 数据准备

• 进入 PaddleClas 目录。

  cd path_to_PaddleClas
  

1.1.1 准备CIFAR100

• 进入 dataset/ 目录，下载并解压 CIFAR100 数据集。

  cd dataset
  wget https://paddle-imagenet-models-name.bj.bcebos.com/data/CIFAR100.tar
  tar -xf CIFAR100.tar
  cd ../
  

二、模型训练

2.1 单标签训练

2.1.1 零基础训练：不加载预训练模型的训练

• 基于 ResNet50_vd 模型，训练脚本如下所示。

  export CUDA_VISIBLE_DEVICES=0,1,2,3
  python3 -m paddle.distributed.launch \
      	--gpus="0,1,2,3" \
      	tools/train.py \
       	-c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
  	    -o Global.output_dir="output_CIFAR"
  

  验证集的最高准确率为 0.415 左右。

2.1.2 迁移学习

• 基于 ImageNet1k 分类预训练模型 ResNet50_vd_pretrained(准确率79.12%) 进行微调，训练脚本如下所示。

  export CUDA_VISIBLE_DEVICES=0,1,2,3
  python3 -m paddle.distributed.launch \
      	--gpus="0,1,2,3" \
      	tools/train.py \
          -c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
          -o Global.output_dir="output_CIFAR" \
          -o Arch.pretrained=True
  

  验证集最高准确率为 0.718 左右，加载预训练模型之后，CIFAR100 数据集精度大幅提升，绝对精度涨幅30%。

• 基于 ImageNet1k 分类预训练模型 ResNet50_vd_ssld_pretrained (准确率82.39%) 进行微调，训练脚本如下所示。

  export CUDA_VISIBLE_DEVICES=0,1,2,3
  python3 -m paddle.distributed.launch \
   		--gpus="0,1,2,3" \
   		tools/train.py \
         	-c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
          -o Global.output_dir="output_CIFAR" \
          -o Arch.pretrained=True \
          -o Arch.use_ssld=True
  

  最终 CIFAR100 验证集上精度指标为 0.73，相对于 79.12% 预训练模型的微调结构，新数据集指标可以再次提升 1.2%。

• 替换 backbone 为 MobileNetV3_large_x1_0 进行微调，训练脚本如下所示。

  export CUDA_VISIBLE_DEVICES=0,1,2,3
  python3 -m paddle.distributed.launch \
      	--gpus="0,1,2,3" \
      	tools/train.py \
         	-c ./ppcls/configs/quick_start/professional/MobileNetV3_large_x1_0_CIFAR100_finetune.yaml \
         	-o Global.output_dir="output_CIFAR" \
         	-o Arch.pretrained=True
  

  验证集最高准确率为 0.601 左右, 较 ResNet50_vd 低近 12%。

三、数据增广

PaddleClas 包含了很多数据增广的方法，如 Mixup、Cutout、RandomErasing 等，具体的方法可以参 之后增加的数据增广章节。

3.1 数据增广的尝试 — Mixup

基于上述中的训练方法，结合 Mixup 的数据增广方式进行训练，具体的训练脚本如下所示。

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    	--gpus="0,1,2,3" \
    	tools/train.py \
        -c ./ppcls/configs/quick_start/professional/ResNet50_vd_mixup_CIFAR100_finetune.yaml \
        -o Global.output_dir="output_CIFAR"

最终 CIFAR100 验证集上的精度为 0.73，使用数据增广可以使得模型精度再次提升约 1.2%。

• 注意

  • 其他数据增广的配置文件可以参考 ppcls/configs/DataAugment 中的配置文件。

  • 训练 CIFAR100 的迭代轮数较少，因此进行训练时，验证集的精度指标可能会有 1% 左右的波动。

四、知识蒸馏

PaddleClas 包含了自研的 SSLD 知识蒸馏方案，具体的内容可以参考 之后增加的知识蒸馏章节, 本小节将尝试使用知识蒸馏技术对 MobileNetV3_large_x1_0 模型进行训练，使用 2.1.2小节 训练得到的 ResNet50_vd 模型作为蒸馏所用的教师模型，首先将 2.1.2小节 训练得到的 ResNet50_vd 模型保存到指定目录，脚本如下。

mkdir pretrained 
cp -r output_CIFAR/ResNet50_vd/best_model.pdparams  ./pretrained/

配置文件中模型名字、教师模型和学生模型的配置、预训练地址配置以及 freeze_params 配置如下，其中 freeze_params_list 中的两个值分别代表教师模型和学生模型是否冻结参数训练。

Arch:
  name: "DistillationModel"
  # if not null, its lengths should be same as models
  pretrained_list:
  # if not null, its lengths should be same as models
  freeze_params_list:
  - True
  - False
  models:
    - Teacher:
        name: ResNet50_vd
        pretrained: "./pretrained/best_model"
    - Student:
        name: MobileNetV3_large_x1_0
        pretrained: True

Loss 配置如下，其中训练 Loss 是学生模型的输出和教师模型的输出的交叉熵、验证 Loss 是学生模型的输出和真实标签的交叉熵。

Loss:
  Train:
    - DistillationCELoss:
        weight: 1.0
        model_name_pairs:
        - ["Student", "Teacher"]
  Eval:
    - DistillationGTCELoss:
        weight: 1.0
        model_names: ["Student"]

最终的训练脚本如下所示。

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    	--gpus="0,1,2,3" \
    	tools/train.py \
        -c ./ppcls/configs/quick_start/professional/R50_vd_distill_MV3_large_x1_0_CIFAR100.yaml \
        -o Global.output_dir="output_CIFAR"

最终 CIFAR100 验证集上的精度为 64.4%，使用教师模型进行知识蒸馏，MobileNetV3 的精度涨幅 4.3%。

• 注意

  • 蒸馏过程中，教师模型使用的预训练模型为 CIFAR100 数据集上的训练结果，学生模型使用的是 ImageNet1k 数据集上精度为 75.32% 的 MobileNetV3_large_x1_0 预训练模型。

  • 该蒸馏过程无须使用真实标签，所以可以使用更多的无标签数据，在使用过程中，可以将无标签数据生成假的 train_list.txt，然后与真实的 train_list.txt 进行合并, 用户可以根据自己的数据自行体验。

五、模型评估与推理

5.1 单标签分类模型评估与推理

5.1.1 单标签分类模型评估。

训练好模型之后，可以通过以下命令实现对模型精度的评估。

python3 tools/eval.py \
    	-c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
    	-o Global.pretrained_model="output_CIFAR/ResNet50_vd/best_model"

5.1.2 单标签分类模型预测

模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 tools/infer.py 中提供了完整的示例，只需执行下述命令即可完成模型预测：

python3 tools/infer.py \
    	-c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
    	-o Infer.infer_imgs=./dataset/CIFAR100/test/0/0001.png \
    	-o Global.pretrained_model=output_CIFAR/ResNet50_vd/best_model

5.1.3 单标签分类使用 inference 模型进行模型推理

通过导出 inference 模型，PaddlePaddle 支持使用预测引擎进行预测推理。接下来介绍如何用预测引擎进行推理：

(1) 首先，对训练好的模型进行转换：

python3 tools/export_model.py \
    	-c ./ppcls/configs/quick_start/professional/ResNet50_vd_CIFAR100.yaml \
    	-o Global.pretrained_model=output_CIFAR/ResNet50_vd/best_model

默认会在 inference 文件夹下生成 inference.pdiparams、inference.pdmodel 和 inference.pdiparams.info 文件。

(2) 使用预测引擎进行推理：

进入 deploy 目录下：

cd deploy

更改 inference_cls.yaml 文件，由于训练 CIFAR100 采用的分辨率是 32x32，所以需要改变相关的分辨率，最终配置文件中的图像预处理如下：

PreProcess:
  transform_ops:
    - ResizeImage:
        resize_short: 36
    - CropImage:
        size: 32
    - NormalizeImage:
        scale: 0.00392157
        mean: [0.485, 0.456, 0.406]
        std: [0.229, 0.224, 0.225]
        order: ''
    - ToCHWImage:

执行命令进行预测，由于默认 class_id_map_file 是 ImageNet 数据集的映射文件，所以此处需要置 None。

python3 python/predict_cls.py \
    	-c configs/inference_cls.yaml \
    	-o Global.infer_imgs=../dataset/CIFAR100/test/0/0001.png \
    	-o PostProcess.class_id_map_file=None