From c0a91fdc348a7ca8726da84d33e2b99ecdab6e28 Mon Sep 17 00:00:00 2001 From: cuicheng01 Date: Mon, 22 Nov 2021 07:48:51 +0000 Subject: [PATCH] update quick_start_classification_new_user.md --- .../quick_start_classification_new_user.md | 32 ++++++++++++++++--- 1 file changed, 27 insertions(+), 5 deletions(-) diff --git a/docs/zh_CN/quick_start/quick_start_classification_new_user.md b/docs/zh_CN/quick_start/quick_start_classification_new_user.md index faaecf19..1096826b 100644 --- a/docs/zh_CN/quick_start/quick_start_classification_new_user.md +++ b/docs/zh_CN/quick_start/quick_start_classification_new_user.md @@ -3,7 +3,21 @@ 此教程主要针对初级用户，即深度学习相关理论知识处于入门阶段，具有一定的 Python 基础，能够阅读简单代码的用户。此内容主要包括使用 PaddleClas 进行图像分类网络训练及模型预测。 --- - +## 目录 + +- [1. 基础知识](#1) +- [2. 环境安装与配置](#2) +- [3. 数据的准备与处理](#3) +- [4. 模型训练](#4) + - [4.1 使用CPU进行模型训练](#4.1) + - [4.1.1 不使用预训练模型进行训练](#4.1.1) + - [4.1.2 不使用预训练模型进行训练](#4.1.2) + - [4.2 使用GPU进行模型训练](#4.2) + - [4.2.1 不使用预训练模型进行训练](#4.2.1) + - [4.2.2 不使用预训练模型进行训练](#4.2.2) +- [5. 模型预测](#5) + + ## 1. 基础知识 图像分类顾名思义就是一个模式分类问题，是计算机视觉中最基础的任务，它的目标是将不同的图像，划分到不同的类别。以下会对整个模型训练过程中需要了解到的一些概念做简单的解释，希望能够对初次体验 PaddleClas 的你有所帮助： @@ -30,10 +44,12 @@ - Top1 Acc：预测结果中概率最大的所在分类正确，则判定为正确； - Top5 Acc：预测结果中概率排名前 5 中有分类正确，则判定为正确； + ## 2. 环境安装与配置 具体安装步骤可详看[Paddle 安装文档](../installation/install_paddle.md)，[PaddleClas 安装文档](../installation/install_paddleclas.md)。 + ## 3. 数据的准备与处理 进入PaddleClas目录： @@ -72,15 +88,16 @@ cd ../../ # windoes直接打开PaddleClas根目录即可 ``` + ## 4. 模型训练 - ### 4.1 使用CPU进行模型训练 由于使用CPU来进行模型训练，计算速度较慢，因此，此处以 ShuffleNetV2_x0_25 为例。此模型计算量较小，在 CPU 上计算速度较快。但是也因为模型较小，训练好的模型精度也不会太高。 -#### 4.1.1 不使用预训练模型 + +#### 4.1.1 不使用预训练模型进行训练 ```shell # windows在cmd中进入PaddleClas根目录，执行此命令 @@ -91,7 +108,8 @@ python tools/train.py -c ./ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25 - `yaml`文`Global.device` 参数设置为`cpu`，即使用CPU进行训练（若不设置，此参数默认为`True`） - `yaml`文件中`epochs`参数设置为20，说明对整个数据集进行20个epoch迭代，预计训练20分钟左右（不同CPU，训练时间略有不同），此时训练模型不充分。若提高训练模型精度，请将此参数设大，如**40**，训练时间也会相应延长 -#### 4.1.2 使用预训练模型 + +#### 4.1.2 使用预训练模型进行训练 ```shell python tools/train.py -c ./ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25.yaml -o Arch.pretrained=True @@ -101,6 +119,7 @@ python tools/train.py -c ./ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25 可以使用将使用与不使用预训练模型训练进行对比，观察 loss 的下降情况。 + ### 4.2 使用GPU进行模型训练 由于 GPU 训练速度更快，可以使用更复杂模型，因此以 ResNet50_vd 为例。与 ShuffleNetV2_x0_25 相比，此模型计算量较大，训练好的模型精度也会更高。 @@ -119,7 +138,8 @@ python tools/train.py -c ./ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25 set CUDA_VISIBLE_DEVICES=0 ``` -#### 不使用预训练模型 + +#### 4.2.1 不使用预训练模型进行训练 ```shell python tools/train.py -c ./ppcls/configs/quick_start/ResNet50_vd.yaml @@ -131,6 +151,7 @@ python tools/train.py -c ./ppcls/configs/quick_start/ResNet50_vd.yaml + #### 4.2.1 使用预训练模型进行训练 基于 ImageNet1k 分类预训练模型进行微调，训练脚本如下所示 @@ -147,6 +168,7 @@ python tools/train.py -c ./ppcls/configs/quick_start/ResNet50_vd.yaml -o Arch.pr + ## 5. 模型预测 训练完成后，可以使用训练好的模型进行预测，以训练的 ResNet50_vd 模型为例，预测代码如下： -- GitLab