EfficientNet for PyTorch，搭配 DALI 和 AutoAugment#
此示例展示了 DALI 自动增强的实现方式 - 最值得注意的是 AutoAugment 和 TrivialAugment - 如何在训练中使用。它展示了 EfficientNet 的训练，EfficientNet 是一种图像分类模型，首次在 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中描述。
该代码基于 NVIDIA 深度学习示例 - 它已通过支持自动增强的 DALI pipeline 进行了扩展，可以在此处找到。
与深度学习示例配置的差异#
参数的默认值已调整为 EfficientNet 训练中使用的值。
--data-backend参数已更改为接受dali、pytorch或synthetic。默认设置为dali。添加了
--dali-device以控制某些 DALI 操作符的放置位置。--augmentation已替换为--automatic-augmentation，现在支持disabled、autoaugment和trivialaugment值。--workers默认值已减半以适应 DALI。当使用pytorch数据加载器时，该值会自动加倍。因此，默认值在两个加载器中均表现良好。该模型仅限于 EfficientNet-B0 架构。
数据后端#
此模型使用以下数据增强
用于训练
随机调整大小裁剪到目标图像大小（在本例中为 224）
从 8% 缩放到 100%
宽高比从 3/4 到 4/3
随机水平翻转
[可选：AutoAugment 或 TrivialAugment]
归一化
用于推理
缩放到目标图像大小 + 额外的尺寸边距（在本例中为 224 + 32 = 266）
中心裁剪到目标图像大小（在本例中为 224）
归一化
设置#
EfficientNet 脚本在 ImageNet 1k 上运行，ImageNet 1k 是来自 ILSVRC 挑战赛的广受欢迎的图像分类数据集。
提取训练数据
mkdir train && mv ILSVRC2012_img_train.tar train/ && cd train
tar -xvf ILSVRC2012_img_train.tar && rm -f ILSVRC2012_img_train.tar
find . -name "*.tar" | while read NAME ; do mkdir -p "${NAME%.tar}"
tar -xvf "${NAME}" -C "${NAME%.tar}"; rm -f "${NAME}"; done
cd ..
提取验证数据并将图像移动到子文件夹
mkdir val && mv ILSVRC2012_img_val.tar val/ && cd val && tar -xvf ILSVRC2012_img_val.tar
wget -qO- https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh | bash
放置 train/ 和 val/ 目录的目录在本文档中称为 $PATH_TO_IMAGENET。
确保您正在使用 NVIDIA PyTorch NGC 容器，或者您已安装 DALI 和 PyTorch。
安装 NVIDIA DLLogger 和 pynvml。
运行模型#
训练#
要在单个 GPU 上运行训练，请使用 main.py 入口点
对于 FP32：
python ./main.py --batch-size 64 $PATH_TO_IMAGENET对于 AMP：
python ./main.py --batch-size 64 --amp --static-loss-scale 128 $PATH_TO_IMAGENET
您可能需要为您的机器调整 --batch-size 参数。
您可以通过添加以下内容来更改使用的数据加载器和自动增强方案
--data-backend:dali|pytorch|synthetic,--automatic-augmentation:disabled|autoaugment|trivialaugment(最后一个仅适用于 DALI),--dali-device:cpu|gpu(仅适用于 DALI).
默认情况下，使用带有 AutoAugment 的 DALI GPU 变体。
例如，要在批量大小为 128 的情况下使用 DALI 和 TrivialAugment 运行带有 AMP 的 EfficientNet，您需要调用
python ./main.py --amp --static-loss-scale 128 --batch-size 128 --data-backend dali --automatic-augmentation trivialaugment $PATH_TO_IMAGENET
要在多个 GPU 上运行，请使用 multiproc.py 启动 main.py 入口点脚本，并将 GPU 数量作为 --nproc_per_node 参数传递。例如，要在 8 个 GPU 上使用 AMP 和带有 AutoAugment 的 DALI 运行模型，您需要调用
python ./multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128 --batch-size 128 --data-backend dali --automatic-augmentation autoaugment $PATH_TO_IMAGENET
要查看可用选项及其描述的完整列表，请使用 -h 或 --help 命令行选项，例如
python main.py -h
使用标准配置进行训练#
要在标准配置（DGX A100/DGX-1V、AMP、400 个 Epoch、带有 AutoAugment 的 DALI）中运行训练，请调用以下命令
对于 DGX1V-16G：
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128 --batch-size 128 $PATH_TO_IMAGENET对于 DGX-A100：
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128 --batch-size 256 $PATH_TO_IMAGENET`
基准测试#
要使用不同的数据加载器和自动增强运行训练基准测试，您可以使用以下命令，假设它们在具有 8 个 GPU、128 批量大小和 AMP 的 DGX1V-16G 上运行
# Adjust the following variable to control where to store the results of the benchmark runs
export RESULT_WORKSPACE=./
# synthetic benchmark
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 1 --prof 1000 --no-checkpoints
--training-only --data-backend synthetic
--workspace $RESULT_WORKSPACE
--report-file bench_report_synthetic.json $PATH_TO_IMAGENET
# DALI without automatic augmentations
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 4 --no-checkpoints --training-only
--data-backend dali --automatic-augmentation disabled
--workspace $RESULT_WORKSPACE
--report-file bench_report_dali.json $PATH_TO_IMAGENET
# DALI with AutoAugment
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 4 --no-checkpoints --training-only
--data-backend dali --automatic-augmentation autoaugment
--workspace $RESULT_WORKSPACE
--report-file bench_report_dali_aa.json $PATH_TO_IMAGENET
# DALI with TrivialAugment
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 4 --no-checkpoints --training-only
--data-backend dali --automatic-augmentation trivialaugment
--workspace $RESULT_WORKSPACE
--report-file bench_report_dali_ta.json $PATH_TO_IMAGENET
# PyTorch without automatic augmentations
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 4 --no-checkpoints --training-only
--data-backend pytorch --automatic-augmentation disabled
--workspace $RESULT_WORKSPACE
--report-file bench_report_pytorch.json $PATH_TO_IMAGENET
# PyTorch with AutoAugment:
python multiproc.py --nproc_per_node 8 ./main.py --amp --static-loss-scale 128
--batch-size 128 --epochs 4 --no-checkpoints --training-only
--data-backend pytorch --automatic-augmentation autoaugment
--workspace $RESULT_WORKSPACE
--report-file bench_report_pytorch_aa.json $PATH_TO_IMAGENET
推理#
验证在每个 epoch 完成，也可以在检查点模型上单独运行。
python ./main.py --evaluate --epochs 1 --resume <path to checkpoint>
-b <batch size> $PATH_TO_IMAGENET
要在 JPEG 图像上运行推理，您必须首先从检查点提取模型权重
python checkpoint2model.py --checkpoint-path <path to checkpoint>
--weight-path <path where weights will be stored>
然后，运行分类脚本
python classify.py --pretrained-from-file <path to weights from previous step>
--precision AMP|FP32 --image <path to JPEG image>