diff --git a/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md b/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md index 699b83b49ad2c515958f0e062fec1839545924bc..3eb9b1388c03308061c65c542965a1b7dfcb777e 100644 --- a/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md +++ b/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md @@ -49,9 +49,9 @@ CSWinTransformer 是一种新的视觉 Transformer 网络，可以用作计算 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/CSSwinTransformer/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +**备注：** 由于 CSSwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 @@ -69,7 +69,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/DLA.md b/docs/zh_CN/models/ImageNet1k/DLA.md index 36614f9f4dedc82c6676430b20a808537c8074c0..eef33f0eb9d456cf11da7ad9f45cb9f4e117515b 100644 --- a/docs/zh_CN/models/ImageNet1k/DLA.md +++ b/docs/zh_CN/models/ImageNet1k/DLA.md @@ -72,7 +72,11 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范 ## 3. 模型训练、评估和预测 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/DLA.md 此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/DLA/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +======= +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/DLA/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/DLA.md @@ -90,7 +94,11 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#4.1) ### 4.2 基于 Python 预测引擎推理 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/DLA.md PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#4.2) 完成模型的推理预测。 +======= +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/DLA.md diff --git a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md index 00943b3baff6903513997b1d22dc9c4b45420ec4..1f4149de86554ea91789c32196c0e721045c44f3 100644 --- a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md +++ b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md @@ -107,9 +107,7 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/DPN/`、`ppcls/configs/ImageNet/DenseNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -127,7 +125,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/ESNet.md b/docs/zh_CN/models/ImageNet1k/ESNet.md index 0be9bdd470754423fa234af0c4d013a4f2313ba4..43b218f027a652d998296b53b1b3e60c559a9998 100644 --- a/docs/zh_CN/models/ImageNet1k/ESNet.md +++ b/docs/zh_CN/models/ImageNet1k/ESNet.md @@ -49,10 +49,7 @@ ESNet(Enhanced ShuffleNet)是百度自研的一个轻量级网络，该网络在 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/ESNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -70,7 +67,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md index 4bc50c2bcf5c00fb51706206030d01dc54e9f4ad..accf46cccddc07369e549801d3ca9f375a850199 100644 --- a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md +++ b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md @@ -119,9 +119,7 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/EfficientNet/`、 `ppcls/configs/ImageNet/ResNeXt/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -139,7 +137,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/HRNet.md b/docs/zh_CN/models/ImageNet1k/HRNet.md index 343d1c139481a74aee404eedbf161bb7bf207a6b..42d6a1fee19bcc67066ebe1a6417b6546d0bb3f7 100644 --- a/docs/zh_CN/models/ImageNet1k/HRNet.md +++ b/docs/zh_CN/models/ImageNet1k/HRNet.md @@ -103,9 +103,7 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/HRNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -123,7 +121,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/HarDNet.md b/docs/zh_CN/models/ImageNet1k/HarDNet.md index 71b46886d13a0a5c1ac9e1d68f808e65b8ede464..9a8551a5a06ee4e06f82ddc1e9d4da60fa21f4c3 100644 --- a/docs/zh_CN/models/ImageNet1k/HarDNet.md +++ b/docs/zh_CN/models/ImageNet1k/HarDNet.md @@ -60,7 +60,11 @@ HarDNet（Harmonic DenseNet）是 2019 年由国立清华大学提出的一种 ## 3. 模型训练、评估和预测 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/HarDNet.md 此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/HardDNet/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +======= +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/HarDNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/HarDNet.md @@ -78,7 +82,11 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#4.1) ### 4.2 基于 Python 预测引擎推理 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/HarDNet.md PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#4.2) 完成模型的推理预测。 +======= +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/HarDNet.md diff --git a/docs/zh_CN/models/ImageNet1k/Inception.md b/docs/zh_CN/models/ImageNet1k/Inception.md index 4253a77d7030b46c4e81d6440ea62bd8e1adfd50..2a5d0ecde5fde7276a631dbeb0d5e15a89289beb 100644 --- a/docs/zh_CN/models/ImageNet1k/Inception.md +++ b/docs/zh_CN/models/ImageNet1k/Inception.md @@ -103,9 +103,7 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/Inception/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -123,7 +121,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/LeViT.md b/docs/zh_CN/models/ImageNet1k/LeViT.md index db0722866f1375b21fe4c00d6fa4db3ffe0bba43..ac6f6b06e6dbe443da5a87322777330045a909a5 100644 --- a/docs/zh_CN/models/ImageNet1k/LeViT.md +++ b/docs/zh_CN/models/ImageNet1k/LeViT.md @@ -50,11 +50,9 @@ LeViT 是一种快速推理的、用于图像分类任务的混合神经网络 ## 3. 模型训练、评估和预测 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/LeViT/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +**备注：** 由于 LeViT 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 @@ -72,7 +70,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/MixNet.md b/docs/zh_CN/models/ImageNet1k/MixNet.md index db03e9b70162e1e1e12c75ba395d3bef5e41cbb7..d9014ab9747ef08782907a6d5e8002a66508856f 100644 --- a/docs/zh_CN/models/ImageNet1k/MixNet.md +++ b/docs/zh_CN/models/ImageNet1k/MixNet.md @@ -67,9 +67,7 @@ MixNet 是谷歌出的一篇关于轻量级网络的文章，主要工作就在 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/MixNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -87,7 +85,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/Mobile.md b/docs/zh_CN/models/ImageNet1k/Mobile.md index 32ca6465b70a02161e76b1990894846d55bf8193..7fd3a6c02180c5eaf6f31d9d079437110f84cd26 100644 --- a/docs/zh_CN/models/ImageNet1k/Mobile.md +++ b/docs/zh_CN/models/ImageNet1k/Mobile.md @@ -235,9 +235,7 @@ GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构， ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/MobileNetV1/`、、、、、 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -255,7 +253,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/MobileViT.md b/docs/zh_CN/models/ImageNet1k/MobileViT.md index a552638de5bba00e52af49d7dc4883ec177032ee..d3ae350c31a0833f67e0c9e261915866ed87ad45 100644 --- a/docs/zh_CN/models/ImageNet1k/MobileViT.md +++ b/docs/zh_CN/models/ImageNet1k/MobileViT.md @@ -48,7 +48,13 @@ MobileViT 是一个轻量级的视觉 Transformer 网络，可以用作计算机 ## 3. 模型训练、评估和预测 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/MobileViT.md 此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/MobileViT/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +======= +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/MobileViT/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 + +**备注：** 由于 MobileViT 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/MobileViT.md @@ -66,7 +72,11 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#4.1) ### 4.2 基于 Python 预测引擎推理 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/MobileViT.md PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#4.2) 完成模型的推理预测。 +======= +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/MobileViT.md diff --git a/docs/zh_CN/models/ImageNet1k/Others.md b/docs/zh_CN/models/ImageNet1k/Others.md index 4138caae114d2e268a0f6ffe236edc5018cf0179..e32427f3581941366c13c65a0823bfac2f6e2d79 100644 --- a/docs/zh_CN/models/ImageNet1k/Others.md +++ b/docs/zh_CN/models/ImageNet1k/Others.md @@ -92,9 +92,7 @@ DarkNet53 是 YOLO 作者在论文设计的用于目标检测的 backbone，该 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/、、、/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -112,7 +110,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/PP-LCNet.md b/docs/zh_CN/models/ImageNet1k/PP-LCNet.md index 83fa00ae65c8100b50da5d60be69020d95318ff6..8bc28f7bbad90f043e16619ef0c04130e6331b18 100644 --- a/docs/zh_CN/models/ImageNet1k/PP-LCNet.md +++ b/docs/zh_CN/models/ImageNet1k/PP-LCNet.md @@ -38,8 +38,6 @@ - [4.6 Paddle2ONNX 模型转换与预测](#4.6) - [5. 引用](#5) - - ## 1. 模型介绍 @@ -71,7 +69,6 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模型的精度。但是在 Intel CPU 端，该模块同样会带来较大的延时，如何平衡精度和速度是我们要解决的一个问题。虽然在 MobileNetV3 等基于 NAS 搜索的网络中对 SE 模块的位置进行了搜索，但是并没有得出一般的结论，我们通过实验发现，SE 模块越靠近网络的尾部对模型精度的提升越大。下表也展示了我们的一些实验结果： - | SE Location | Top-1 Acc(\%) | Latency(ms) | |:--:|:--:|:--:| | 1100000000000 | 61.73 | 2.06 | @@ -79,7 +76,6 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模 | 0000000000011 | 63.14 | 2.05 | | 1111111111111 | 64.27 | 3.80 | - 最终，PP-LCNet 中的 SE 模块的位置选用了表格中第三行的方案。 @@ -94,7 +90,6 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模 | 1111111000000 | 62.70 | 2.07 | | 0000001111111 | 63.14 | 2.05 | - 实验表明，更大的卷积核放在网络的中后部即可达到放在所有位置的精度，与此同时，获得更快的推理速度。PP-LCNet 最终选用了表格中第三行的方案。 @@ -286,7 +281,6 @@ Predict complete! **备注**： 更换 PPLCNet 的其他 scale 的模型时，只需替换 `model_name`，如将此时的模型改为 `PPLCNet_x2_0` 时，只需要将 `--model_name=PPLCNet_x1_0` 改为 `--model_name=PPLCNet_x2_0` 即可。 - * 在 Python 代码中预测 ```python from paddleclas import PaddleClas @@ -320,7 +314,6 @@ print(next(result)) 请在[ImageNet 官网](https://www.image-net.org/)准备 ImageNet-1k 相关的数据。 - 进入 PaddleClas 目录。 ``` @@ -343,16 +336,19 @@ cd path_to_PaddleClas ``` 其中 `train/` 和 `val/` 分别为训练集和验证集。`train_list.txt` 和 `val_list.txt` 分别为训练集和验证集的标签文件。 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/PP-LCNet.md **备注：** * 关于 `train_list.txt`、`val_list.txt`的格式说明，可以参考[PaddleClas分类数据集格式说明](../../training/single_label_classification/dataset.md#1-数据集格式说明) 。 +**备注：** ### 3.3 模型训练 +### 3.3 模型训练 在 `ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml` 中提供了 PPLCNet_x1_0 训练配置，可以通过如下脚本启动训练： @@ -364,7 +360,6 @@ python3 -m paddle.distributed.launch \ -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml ``` - **备注：** * 当前精度最佳的模型会保存在 `output/PPLCNet_x1_0/best_model.pdparams` @@ -409,8 +404,6 @@ python3 tools/infer.py \ * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。 - - ## 4. 模型推理部署 @@ -423,7 +416,6 @@ Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端 当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择[直接下载 inference 模型](#6.1.2)的方式。 - ### 4.1.1 基于训练得到的权重导出 inference 模型 @@ -445,7 +437,6 @@ python3 tools/export_model.py \ │ └── inference.pdmodel ``` - ### 4.1.2 直接下载 inference 模型 @@ -471,7 +462,6 @@ wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet ### 4.2 基于 Python 预测引擎推理 - #### 4.2.1 预测单张图像 @@ -517,7 +507,6 @@ ILSVRC2012_val_00020010.jpeg: class id(s): [178, 211, 209, 210, 236], score(s): ILSVRC2012_val_00030010.jpeg: class id(s): [80, 23, 93, 81, 99], score(s): [0.87, 0.01, 0.01, 0.01, 0.00], label_name(s): ['black grouse', 'vulture', 'hornbill', 'ptarmigan', 'goose'] ``` - ### 4.3 基于 C++ 预测引擎推理 @@ -548,7 +537,6 @@ Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通 PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例，您可以参考[Paddle2ONNX 模型转换与预测](@shuilong)来完成相应的部署工作。 - ## 5. 引用 diff --git a/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md b/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md index 75c27cef94fb2ff2d9dc0e80f13f13431da9b4cc..6139bcc10a1c05956fb081bf05bc67644606cdf4 100644 --- a/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md +++ b/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md @@ -1,5 +1,4 @@ # PP-LCNetV2 - --- ## 目录 @@ -182,7 +181,6 @@ print(next(result)) [{'class_ids': [8, 7, 86, 82, 83], 'scores': [0.8859, 0.07156, 0.00588, 0.00047, 0.00034], 'label_names': ['hen', 'cock', 'partridge', 'ruffed grouse, partridge, Bonasa umbellus', 'prairie chicken, prairie grouse, prairie fowl'], 'filename': 'docs/images/inference_deployment/whl_demo.jpg'}] ``` - ## 3. 模型训练、评估和预测 @@ -199,7 +197,6 @@ print(next(result)) 请在[ImageNet 官网](https://www.image-net.org/)准备 ImageNet-1k 相关的数据。 - 进入 PaddleClas 目录。 ``` @@ -227,12 +224,12 @@ cd path_to_PaddleClas * 关于 `train_list.txt`、`val_list.txt`的格式说明，可以参考[PaddleClas分类数据集格式说明](../../training/single_label_classification/dataset.md#1-数据集格式说明) 。 +**备注：** ### 3.3 模型训练 - 在 `ppcls/configs/ImageNet/PPLCNetV2/PPLCNetV2_base.yaml` 中提供了 PPLCNetV2_base 训练配置，可以通过如下脚本启动训练： ```shell @@ -243,7 +240,6 @@ python3 -m paddle.distributed.launch \ -c ppcls/configs/ImageNet/PPLCNetV2/PPLCNetV2_base.yaml ``` - **备注：** * 当前精度最佳的模型会保存在 `output/PPLCNetV2_base/best_model.pdparams` @@ -288,8 +284,6 @@ python3 tools/infer.py \ * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。 - - ## 4. 模型推理部署 @@ -302,7 +296,6 @@ Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端 当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择[直接下载 inference 模型](#6.1.2)的方式。 - ### 4.1.1 基于训练得到的权重导出 inference 模型 @@ -324,7 +317,6 @@ python3 tools/export_model.py \ │ └── inference.pdmodel ``` - ### 4.1.2 直接下载 inference 模型 @@ -373,7 +365,7 @@ python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_ 输出结果如下。 ``` -ILSVRC2012_val_00000010.jpeg: class id(s): [332, 153, 229, 204, 265], score(s): [0.28, 0.25, 0.03, 0.02, 0.02], label_name(s): ['Angora, Angora rabbit', 'Maltese dog, Maltese terrier, Maltese', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] +ILSVRC2012_val_00000010.jpeg: class id(s): [332, 153, 229, 204, 265], score(s): [0.28, 0.25, 0.03, 0.02, 0.02], label_name(s): ['Angora, Angora rabbit', 'Maltese dog, Maltese terrier, Maltese', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] ``` @@ -390,13 +382,12 @@ python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_ 终端中会输出该文件夹内所有图像的分类结果，如下所示。 ``` -ILSVRC2012_val_00000010.jpeg: class id(s): [332, 153, 229, 204, 265], score(s): [0.28, 0.25, 0.03, 0.02, 0.02], label_name(s): ['Angora, Angora rabbit', 'Maltese dog, Maltese terrier, Maltese', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] -ILSVRC2012_val_00010010.jpeg: class id(s): [626, 531, 761, 487, 673], score(s): [0.64, 0.06, 0.03, 0.02, 0.01], label_name(s): ['lighter, light, igniter, ignitor', 'digital watch', 'remote control, remote', 'cellular telephone, cellular phone, cellphone, cell, mobile phone', 'mouse, computer mouse'] -ILSVRC2012_val_00020010.jpeg: class id(s): [178, 209, 246, 181, 211], score(s): [0.97, 0.00, 0.00, 0.00, 0.00], label_name(s): ['Weimaraner', 'Chesapeake Bay retriever', 'Great Dane', 'Bedlington terrier', 'vizsla, Hungarian pointer'] -ILSVRC2012_val_00030010.jpeg: class id(s): [80, 143, 81, 137, 98], score(s): [0.91, 0.01, 0.00, 0.00, 0.00], label_name(s): ['black grouse', 'oystercatcher, oyster catcher', 'ptarmigan', 'American coot, marsh hen, mud hen, water hen, Fulica americana', 'red-breasted merganser, Mergus serrator' +ILSVRC2012_val_00000010.jpeg: class id(s): [332, 153, 229, 204, 265], score(s): [0.28, 0.25, 0.03, 0.02, 0.02], label_name(s): ['Angora, Angora rabbit', 'Maltese dog, Maltese terrier, Maltese', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] +ILSVRC2012_val_00010010.jpeg: class id(s): [626, 531, 761, 487, 673], score(s): [0.64, 0.06, 0.03, 0.02, 0.01], label_name(s): ['lighter, light, igniter, ignitor', 'digital watch', 'remote control, remote', 'cellular telephone, cellular phone, cellphone, cell, mobile phone', 'mouse, computer mouse'] +ILSVRC2012_val_00020010.jpeg: class id(s): [178, 209, 246, 181, 211], score(s): [0.97, 0.00, 0.00, 0.00, 0.00], label_name(s): ['Weimaraner', 'Chesapeake Bay retriever', 'Great Dane', 'Bedlington terrier', 'vizsla, Hungarian pointer'] +ILSVRC2012_val_00030010.jpeg: class id(s): [80, 143, 81, 137, 98], score(s): [0.91, 0.01, 0.00, 0.00, 0.00], label_name(s): ['black grouse', 'oystercatcher, oyster catcher', 'ptarmigan', 'American coot, marsh hen, mud hen, water hen, Fulica americana', 'red-breasted merganser, Mergus serrator' ``` - ### 4.3 基于 C++ 预测引擎推理 diff --git a/docs/zh_CN/models/ImageNet1k/PVTV2.md b/docs/zh_CN/models/ImageNet1k/PVTV2.md index 4aae39f0241bb37e65bd52abe0f8f7b231b4440b..bf8f9fe4443afbe5d44dfab5e75266ab915c5387 100644 --- a/docs/zh_CN/models/ImageNet1k/PVTV2.md +++ b/docs/zh_CN/models/ImageNet1k/PVTV2.md @@ -50,7 +50,9 @@ PVTV2 是 VisionTransformer 系列模型，该模型基于 PVT（Pyramid Vision ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/PVTV2/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/PVTV2/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 + +**备注：** 由于 PVTV2 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 diff --git a/docs/zh_CN/models/ImageNet1k/ReXNet.md b/docs/zh_CN/models/ImageNet1k/ReXNet.md index 26944a58fb4edd5e646556293b0fcc7f1d557548..550fb243f8b212016113de7d586e48ad9c043a09 100644 --- a/docs/zh_CN/models/ImageNet1k/ReXNet.md +++ b/docs/zh_CN/models/ImageNet1k/ReXNet.md @@ -66,11 +66,7 @@ ReXNet 是 NAVER 集团 ClovaAI 研发中心基于一种网络架构设计新范 ## 3. 模型训练、评估和预测 - -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/ReXNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -88,7 +84,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/RedNet.md b/docs/zh_CN/models/ImageNet1k/RedNet.md index 88ce6cb01c9d4e4e9e682693fdab3fb70e718fa2..499e739ed8bb4aa9b4b1aa16a26dc2ce9d635ee4 100644 --- a/docs/zh_CN/models/ImageNet1k/RedNet.md +++ b/docs/zh_CN/models/ImageNet1k/RedNet.md @@ -64,7 +64,7 @@ ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/RedNet/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/RedNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 diff --git a/docs/zh_CN/models/ImageNet1k/RepVGG.md b/docs/zh_CN/models/ImageNet1k/RepVGG.md index f621474e3c6de5c1af3d2ace36810ff899f62ce6..42e5cd369ce3702ccb937bab7d0bbb96f3b97a60 100644 --- a/docs/zh_CN/models/ImageNet1k/RepVGG.md +++ b/docs/zh_CN/models/ImageNet1k/RepVGG.md @@ -55,11 +55,7 @@ RepVGG(Making VGG-style ConvNets Great Again)系列模型是由清华大学(丁 ## 3. 模型训练、评估和预测 - -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/RepVGG/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -77,7 +73,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md index a736ce0949e385636f591e8869f257646bae3be4..7b9d676427bcb62850e7d918c88f49f5ab239b8d 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md +++ b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md @@ -73,11 +73,7 @@ RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概 ## 3. 模型训练、评估和预测 - -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/ResNeSt/`、`ppcls/configs/ImageNet/RegNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -95,7 +91,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/ResNet.md b/docs/zh_CN/models/ImageNet1k/ResNet.md index e559bdd6b8ba3f150b990c3ad1ff4d6168b997b5..dd7e3d4b3086033127113039e52a29feafc4ad70 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNet.md +++ b/docs/zh_CN/models/ImageNet1k/ResNet.md @@ -46,7 +46,6 @@ PaddleClas 提供的 ResNet 系列的模型包括 ResNet50，ResNet50_vd，ResNe 其中，后缀使用`_ssld`的模型采用了 SSLD 知识蒸馏，保证模型结构不变的情况下，进一步提升了模型的精度。 - ### 1.2 模型指标 @@ -72,7 +71,6 @@ PaddleClas 提供的 ResNet 系列的模型包括 ResNet50，ResNet50_vd，ResNe **备注：** `Fix_ResNet50_vd_ssld` 是固定 `ResNet50_vd_ssld` 除 FC 层外所有的网络参数，在 320x320 的图像输入分辨率下，基于 ImageNet-1k 数据集微调得到。 - ## 1.3 Benchmark @@ -176,7 +174,6 @@ Predict complete! **备注**： 更换 ResNet 的其他 scale 的模型时，只需替换 `model_name`，如将此时的模型改为 `ResNet18` 时，只需要将 `--model_name=ResNet50` 改为 `--model_name=ResNet18` 即可。 - * 在 Python 代码中预测 ```python from paddleclas import PaddleClas @@ -194,7 +191,6 @@ print(next(result)) [{'class_ids': [8, 7, 86, 82, 80], 'scores': [0.97968, 0.02028, 3e-05, 1e-05, 0.0], 'label_names': ['hen', 'cock', 'partridge', 'ruffed grouse, partridge, Bonasa umbellus', 'black grouse'], 'filename': 'docs/images/inference_deployment/whl_demo.jpg'}] ``` - ## 3. 模型训练、评估和预测 @@ -211,7 +207,6 @@ print(next(result)) 请在[ImageNet 官网](https://www.image-net.org/)准备 ImageNet-1k 相关的数据。 - 进入 PaddleClas 目录。 ``` @@ -244,7 +239,6 @@ cd path_to_PaddleClas ### 3.3 模型训练 - 在 `ppcls/configs/ImageNet/ResNet/ResNet50.yaml` 中提供了 ResNet50 训练配置，可以通过如下脚本启动训练： ```shell @@ -255,7 +249,6 @@ python3 -m paddle.distributed.launch \ -c ppcls/configs/ImageNet/ResNet/ResNet50.yaml ``` - **备注：** * 当前精度最佳的模型会保存在 `output/ResNet50/best_model.pdparams` @@ -300,8 +293,6 @@ python3 tools/infer.py \ * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。 - - ## 4. 模型推理部署 @@ -314,7 +305,6 @@ Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端 当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择[直接下载 inference 模型](#6.1.2)的方式。 - ### 4.1.1 基于训练得到的权重导出 inference 模型 @@ -336,7 +326,6 @@ python3 tools/export_model.py \ │ └── inference.pdmodel ``` - ### 4.1.2 直接下载 inference 模型 @@ -362,7 +351,6 @@ wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/ResNet5 ### 4.2 基于 Python 预测引擎推理 - #### 4.2.1 预测单张图像 @@ -385,7 +373,7 @@ python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_ 输出结果如下。 ``` -ILSVRC2012_val_00000010.jpeg: class id(s): [153, 332, 229, 204, 265], score(s): [0.41, 0.39, 0.05, 0.04, 0.04], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'Angora, Angora rabbit', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] +ILSVRC2012_val_00000010.jpeg: class id(s): [153, 332, 229, 204, 265], score(s): [0.41, 0.39, 0.05, 0.04, 0.04], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'Angora, Angora rabbit', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] ``` @@ -402,13 +390,12 @@ python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_ 终端中会输出该文件夹内所有图像的分类结果，如下所示。 ``` -ILSVRC2012_val_00000010.jpeg: class id(s): [153, 332, 229, 204, 265], score(s): [0.41, 0.39, 0.05, 0.04, 0.04], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'Angora, Angora rabbit', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] -ILSVRC2012_val_00010010.jpeg: class id(s): [902, 626, 531, 487, 761], score(s): [0.47, 0.10, 0.05, 0.04, 0.03], label_name(s): ['whistle', 'lighter, light, igniter, ignitor', 'digital watch', 'cellular telephone, cellular phone, cellphone, cell, mobile phone', 'remote control, remote'] -ILSVRC2012_val_00020010.jpeg: class id(s): [178, 211, 246, 236, 210], score(s): [1.00, 0.00, 0.00, 0.00, 0.00], label_name(s): ['Weimaraner', 'vizsla, Hungarian pointer', 'Great Dane', 'Doberman, Doberman pinscher', 'German short-haired pointer'] -ILSVRC2012_val_00030010.jpeg: class id(s): [80, 23, 83, 93, 136], score(s): [1.00, 0.00, 0.00, 0.00, 0.00], label_name(s): ['black grouse', 'vulture', 'prairie chicken, prairie grouse, prairie fowl', 'hornbill', 'European gallinule, Porphyrio porphyrio'] +ILSVRC2012_val_00000010.jpeg: class id(s): [153, 332, 229, 204, 265], score(s): [0.41, 0.39, 0.05, 0.04, 0.04], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'Angora, Angora rabbit', 'Old English sheepdog, bobtail', 'Lhasa, Lhasa apso', 'toy poodle'] +ILSVRC2012_val_00010010.jpeg: class id(s): [902, 626, 531, 487, 761], score(s): [0.47, 0.10, 0.05, 0.04, 0.03], label_name(s): ['whistle', 'lighter, light, igniter, ignitor', 'digital watch', 'cellular telephone, cellular phone, cellphone, cell, mobile phone', 'remote control, remote'] +ILSVRC2012_val_00020010.jpeg: class id(s): [178, 211, 246, 236, 210], score(s): [1.00, 0.00, 0.00, 0.00, 0.00], label_name(s): ['Weimaraner', 'vizsla, Hungarian pointer', 'Great Dane', 'Doberman, Doberman pinscher', 'German short-haired pointer'] +ILSVRC2012_val_00030010.jpeg: class id(s): [80, 23, 83, 93, 136], score(s): [1.00, 0.00, 0.00, 0.00, 0.00], label_name(s): ['black grouse', 'vulture', 'prairie chicken, prairie grouse, prairie fowl', 'hornbill', 'European gallinule, Porphyrio porphyrio'] ``` - ### 4.3 基于 C++ 预测引擎推理 diff --git a/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md b/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md index a3c094b38f39398b0307dd2706a21f483664ebe5..dccc94609f648f16cba5bafad6688aad7e4bf479 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md +++ b/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md @@ -136,9 +136,7 @@ ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取 ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/ResNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -156,7 +154,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md index f6b83844c16fc9e0b5969dd76692fd6ed3c9ae03..6b3ffaba2b7d1b829307fd13cd981d53cd9e660b 100644 --- a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md +++ b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md @@ -158,11 +158,7 @@ Res2Net 是 2019 年提出的一种全新的对 ResNet 的改进方案，该方 ## 3. 模型训练、评估和预测 - -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SEResNeXt/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 @@ -180,7 +176,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/SwinTransformer.md b/docs/zh_CN/models/ImageNet1k/SwinTransformer.md index 4a1df3fb4d0645883fcad7779a3ada296edb3fe0..6037fe5f69e58f670d253a8a0aa55d257e8d2db5 100644 --- a/docs/zh_CN/models/ImageNet1k/SwinTransformer.md +++ b/docs/zh_CN/models/ImageNet1k/SwinTransformer.md @@ -101,7 +101,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#4.1) ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#4.2) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/TNT.md b/docs/zh_CN/models/ImageNet1k/TNT.md index c27ca13a9f41c4906b77e8cc16449447d182af0b..48be868e156e085855e0ca2e69a02594d9c6b92a 100644 --- a/docs/zh_CN/models/ImageNet1k/TNT.md +++ b/docs/zh_CN/models/ImageNet1k/TNT.md @@ -44,9 +44,9 @@ TNT(Transformer-iN-Transformer)系列模型由华为诺亚于 2021 年提出， ## 3. 模型训练、评估和预测 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/TNT/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +**备注：** 由于 TNT 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 @@ -64,7 +64,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/Twins.md b/docs/zh_CN/models/ImageNet1k/Twins.md index cee1e31584f219dd6fb34ad5301143697d778fb0..62b1855cf7d213adcc8872fc147e9b5470dd97e4 100644 --- a/docs/zh_CN/models/ImageNet1k/Twins.md +++ b/docs/zh_CN/models/ImageNet1k/Twins.md @@ -66,11 +66,9 @@ Twins 网络包括 Twins-PCPVT 和 Twins-SVT，其重点对空间注意力机制 ## 3. 模型训练、评估和预测 +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/TNT/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 -此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 - -**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - +**备注：** 由于 Twins 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 @@ -88,7 +86,7 @@ Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推 ### 4.2 基于 Python 预测引擎推理 -PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。 diff --git a/docs/zh_CN/models/ImageNet1k/ViT_and_DeiT.md b/docs/zh_CN/models/ImageNet1k/ViT_and_DeiT.md index e1c3a5491be9d5e5e5cf009efd274f006af80bbb..8dec6002e6f25987d59f40a66b0f2e64f1721b87 100644 --- a/docs/zh_CN/models/ImageNet1k/ViT_and_DeiT.md +++ b/docs/zh_CN/models/ImageNet1k/ViT_and_DeiT.md @@ -93,7 +93,13 @@ DeiT（Data-efficient Image Transformers）系列模型是由 FaceBook 在 2020 ## 3. 模型训练、评估和预测 +<<<<<<< f18496291fdbc9ca57ece7790b00f456b68a1f68:docs/zh_CN/models/ImageNet1k/ViT_and_DeiT.md 此部分内容包括训练环境配置、ImageNet数据的准备、模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/DeiT/` 中提供了模型的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3)。 +======= +此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/DeiT/`、`ppcls/configs/ImageNet/VisionTransformer/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 + +**备注：** 由于 DeiT、ViT 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 +>>>>>>> docs: fix path of config:docs/zh_CN/models/ViT_and_DeiT.md