# PLSC使用指南 本指南介绍使用飞桨大规模分类库PLSC,包括数据的组织、启动训练和预测验证。 ## 数据准备 本节以MS1M-Arcface数据集为例进行说明。 首先,请下载MS1M-Arcface数据集:[数据集地址](MS1M-Arcface数据集) 解压后,数据的组织结构如下所示: ```shell train_data/ |-- agedb_30.bin |-- cfp_ff.bin |-- cfp_fp.bin |-- images |-- label.txt `-- lfw.bin ``` 其中,agedb_30.bin、cfp_ff.bin、cfp_fp.bin和lfw.bin文件为验证数据集文件。images目录中存放训练数据集,格式为jpg格式图像。label.txt文件记录数据图像及其标签的对应格式。 label.txt文件的内容如下所示: ```shell images/00000000.jpg 0 images/00000001.jpg 0 images/00000002.jpg 0 images/00000003.jpg 0 images/00000004.jpg 0 images/00000005.jpg 0 images/00000006.jpg 0 images/00000007.jpg 0 ``` label.txt文件中,每行包含一张训练图像的相对路径和该图像对应的标签(类别),两部分之间由空格分隔。 如果用户需要使用自定义格式的数据集,请参考:[自定义训练数据](../docs/source/md/advanced.md) ## 模型训练 ### 训练代码 下面给出使用PLSC完成大规模分类训练的脚本文件train.py: ```python from plsc import Entry if __name__ == "__main__": ins = Entry() ins.set_train_epochs(1) ins.set_model_save_dir("./saved_model") # ins.set_with_test(False) # 当没有验证集时,请取消该行的注释 # ins.set_loss_type('arcface') # 当仅有一张GPU卡时,请取消该行的注释 ins.train() ``` 使用PLSC开始训练,包括以下几个主要步骤: 1. 从plsc包导入Entry类,该类是PLCS大规模分类库所有功能的接口类。 2. 生成Entry类的实例。 3. 调用Entry类的train方法,开始模型训练。 默认地,该训练脚本使用的loss值计算方法为'dist_arcface',需要两张或以上的GPU卡,当仅有一张可用GPU卡时,可以使用下面的语句将loss值计算方法改为'arcface'。 ```python ins.set_loss_type('arcface') ``` 默认地,训练过程会在每个训练轮次之后会使用验证集验证模型的效果,当没有验证数据集时,可以使用*set_with_test(False)*关闭模型验证。 ### 启动训练任务 下面的例子给出如何使用上述脚本启动训练任务: ```python python -m paddle.distributed.launch \ --cluster_node_ips="127.0.0.1" \ --node_ip="127.0.0.1" \ --selected_gpus=0,1,2,3,4,5,6,7 \ train.py ``` paddle.distributed.launch模块用于启动多机/多卡分布式训练任务脚本,简化分布式训练任务启动过程,各个参数的含义如下: - cluster_node_ips: 参与训练的机器的ip地址列表,以逗号分隔; - node_ip: 当前训练机器的ip地址; - selected_gpus: 每个训练节点所使用的gpu设备列表,以逗号分隔。 对于单机多卡训练任务,可以省略cluster_node_ips和node_ip两个参数,如下所示: ```shell python -m paddle.distributed.launch \ --selected_gpus=0,1,2,3,4,5,6,7 \ train.py ``` 当仅使用一张GPU卡时,请使用下面的命令启动训练任务: ```shell python train.py ``` ### 模型验证 本节我们使用lfw.bin验证集为例说明如何评估模型的效果。 ### 验证代码 下面的例子给出模型验证脚本*val.py*: ```python from plsc import Entry if __name__ == "__main__": ins = Entry() ins.set_checkpoint_dir("./saved_model/0/") ins.test() ``` 训练过程中,我们将模型参数保存在'./saved_model'目录下,并将每个epoch的模型参数分别保存在不同的子目录下,例如'./saved_model/0'目录下保存的是第一个epoch训练完成后的模型参数,以此类推。 在模型验证阶段,我们首先需要设置模型参数的目录,接着调用Entry类的test方法开始模型验证。 ### 启动验证代码 下面的例子给出如何使用上述脚本启动验证任务: ```shell python -m paddle.distributed.launch \ --selected_gpus=0,1,2,3,4,5,6,7 \ val.py ``` 使用上面的脚本,将在多张GPU卡上并行执行验证任务,缩短验证时间。 当仅有一张GPU卡可用时,可以使用下面的命令启动验证任务: ```shell python val.py ```