add menu to quick_start_classification_professional.md

7cb0d27a · sibo2rr · 23a67b94 · 7cb0d27a
隐藏空白更改
内联并排

Showing with 75 addition and 29 deletion

docs/zh_CN/quick_start/quick_start_classification_professional.md ...CN/quick_start/quick_start_classification_professional.md +75 -29

未找到文件。
--- a/docs/zh_CN/quick_start/quick_start_classification_professional.md
+++ b/docs/zh_CN/quick_start/quick_start_classification_professional.md
@@ -2,8 +2,32 @@

 此处提供了专业用户在linux操作系统上使用PaddleClas的快速上手教程，主要内容基于CIFAR-100数据集，快速体验不同模型的训练、加载不同预训练模型、SSLD知识蒸馏方案和数据增广的效果。请事先参考[安装指南](../installation/install_paddleclas.md)配置运行环境和克隆PaddleClas代码。

+------

-## 一、数据和模型准备
+## 目录
+
+- [1. 数据和模型准备](#1)
+  - [1.1 数据准备](#1.1)
+    - [1.1.1 准备CIFAR100](#1.1.1)
+
+- [2. 模型训练](#2)
+  - [2.1 单标签训练](#2.1)
+    - [2.1.1 零基础训练：不加载预训练模型的训练](#2.1.1)
+    - [2.1.2 迁移学习](#2.1.2)
+- [3. 数据增广](#3)
+  - [3.1 数据增广的尝试-Mixup](#3.1)
+- [4. 知识蒸馏](#4)
+- [5. 模型评估与推理](#5)
+  - [5.1 单标签分类模型评估与推理](#5.1)
+    - [5.1.1 单标签分类模型评估](#5.1.1)
+    - [5.1.2 单标签分类模型预测](#5.1.2)
+    - [5.1.3 单标签分类使用inference模型进行模型推理](#5.1.3)
+
+<a name="1"></a>
+
+## 1. 数据和模型准备
+
+<a name="1.1"></a>

 ### 1.1 数据准备

@@ -14,6 +38,8 @@
 cd path_to_PaddleClas
 ```

+<a name="1.1.1"></a> 
+
 #### 1.1.1 准备CIFAR100

 * 进入`dataset/`目录，下载并解压CIFAR100数据集。
@@ -25,14 +51,19 @@ tar -xf CIFAR100.tar
 cd ../
 ```

+<a name="2"></a>
+
+## 2.  模型训练

-## 二、模型训练
+<a name="2.1"></a> 

 ### 2.1 单标签训练

+<a name="2.1.2"></a> 
+
 #### 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。
+* 基于 ResNet50_vd 模型，训练脚本如下所示。

 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -43,13 +74,14 @@ python3 -m paddle.distributed.launch \
        -o Global.output_dir="output_CIFAR"
 ```

+验证集的最高准确率为 0.415 左右。

-验证集的最高准确率为0.415左右。
+<a name="2.1.2"></a> 


 #### 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。
+* 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。

 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -61,9 +93,9 @@ python3 -m paddle.distributed.launch \
        -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\%。
+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。
+* 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。

 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -76,9 +108,9 @@ python3 -m paddle.distributed.launch \
        -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\%。
+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。
+* 替换 backbone 为 MobileNetV3_large_x1_0 进行微调，训练脚本如下所示。

 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -90,16 +122,20 @@ python3 -m paddle.distributed.launch \
        -o Arch.pretrained=True
 ```

-验证集最高准确率为0.601左右, 较ResNet50_vd低近12%。
+验证集最高准确率为 0.601 左右, 较 ResNet50_vd 低近 12%。
+
+<a name="3"></a>


-## 三、数据增广
+## 3. 数据增广

-PaddleClas包含了很多数据增广的方法，如Mixup、Cutout、RandomErasing等，具体的方法可以参考[数据增广的章节](../algorithm_introduction/DataAugmentation.md)。
+PaddleClas包含了很多数据增广的方法，如 Mixup、Cutout、RandomErasing 等，具体的方法可以参考[数据增广的章节](../algorithm_introduction/DataAugmentation.md)。

-### 数据增广的尝试-Mixup
+<a name="3.1"></a> 

-基于`3.3节`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。
+### 3.1 数据增广的尝试-Mixup
+
+基于[数据增广的章节](../algorithm_introduction/DataAugmentation.md) `3.3节` 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。

 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -111,28 +147,29 @@ python3 -m paddle.distributed.launch \

 ```

-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\%。
+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。
+  * 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。

-    * 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。
+<a name="4"></a>


-## 四、知识蒸馏
+## 4. 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[知识蒸馏章节](../algorithm_introduction/knowledge_distillation.md), 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。
+PaddleClas 包含了自研的 SSLD 知识蒸馏方案，具体的内容可以参考[知识蒸馏章节](../algorithm_introduction/knowledge_distillation.md), 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。

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

-配置文件中模型名字、教师模型哈学生模型的配置、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。
+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。

 ```yaml
 Arch:
@@ -152,7 +189,8 @@ Arch:
        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 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。
+
 ```yaml
 Loss:
  Train:
@@ -178,19 +216,23 @@ python3 -m paddle.distributed.launch \

 ```

-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\%。
+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。
+  * 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。

-    * 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。
+<a name="5"></a>

+## 5. 模型评估与推理

-## 五、模型评估与推理
+<a name="5.1"></a> 

 ### 5.1 单标签分类模型评估与推理

+<a name="5.1.1"></a> 
+
 #### 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。
@@ -201,6 +243,8 @@ python3 tools/eval.py \
    -o Global.pretrained_model="output_CIFAR/ResNet50_vd/best_model"
 ```

+<a name="5.1.2"></a> 
+
 #### 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：
@@ -212,10 +256,11 @@ python3 tools/infer.py \
    -o Global.pretrained_model=output_CIFAR/ResNet50_vd/best_model
 ```

+<a name="5.1.3"></a> 

 #### 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：
+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：
 首先，对训练好的模型进行转换：

 ```bash
@@ -224,7 +269,7 @@ python3 tools/export_model.py \
    -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。
+* 默认会在 `inference` 文件夹下生成 `inference.pdiparams`、`inference.pdmodel`和 `inference.pdiparams.info` 文件。

 使用预测引擎进行推理：

@@ -233,7 +278,8 @@ python3 tools/export_model.py \
 ```bash
 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：
+
+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：

 ```yaml
 PreProcess:
@@ -250,7 +296,7 @@ PreProcess:
    - 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。
+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。

 ```bash
 python3 python/predict_cls.py \