Skip to content

M
models

PaddlePaddle / models
大约 1 年 前同步成功

通知 222
Star 6828
Fork 2962
M
models
未验证 提交 976123fa 编写于 作者: A andyjpaddle 提交者： GitHub
浏览文件
操作

add Windows TIPC (#5484) 

* add windows tipc

* add windows tipc

* update win tipc doc
Co-authored-by: NMissPenguin <lichenxia1991@163.com>
上级 7b6bd30d
隐藏空白更改
内联 并排
Showing with 489 addition and 16 deletion
tutorials/mobilenetv3_prod/Step6/test_tipc/README.md
浏览文件 @ 976123fa
......@@ -15,11 +15,10 @@
- 模型压缩：包括裁剪、离线/在线量化、蒸馏。
- 其他预测部署：包括Paddle Inference C++预测、Paddle Serving部署、Paddle-Lite部署等。
| 算法论文 | 模型名称 | 模型类型 | 基础<br>训练预测 | 更多<br>训练方式 | 模型压缩 | 其他预测部署 |
| :--- | :--- | :----: | :--------: | :---- | :---- | :---- |
| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | 混合精度<br> | - | - |
| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | - | PACT量化训练<br> | - |
| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | - | 离线量化训练<br> | - |
| 算法论文 | 模型名称 | 模型类型 | 基础<br>训练预测 | 更多<br>训练方式 | 更多<br>部署方式 | Slim训练部署 | 更多<br>训练环境 |
| :--- | :--- | :----: | :--------: | :---- | :---- | :---- | :---- |
| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | 混合精度 | | PACT量化<br>离线量化 | Windows |
## 3. 测试工具简介
......@@ -77,4 +76,4 @@ test_tipc
- [Linux XPU2 基础训练推理测试]
- [Linux DCU 基础训练推理测试]
- [Linux NPU 基础训练推理测试]
- [Windows GPU/CPU 基础训练推理测试]
- [Windows GPU/CPU 基础训练推理测试](docs/test_windows_train_inference_python.md)
tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt 0 → 100644
浏览文件 @ 976123fa
===========================train_params===========================
model_name:mobilenet_v3_small
python:python
gpu_list:0
use-gpu:True
--epochs:lite_train_lite_infer=5|whole_train_whole_infer=90
--output-dir:./output/
--batch-size:lite_train_lite_infer=4|whole_train_whole_infer=128
--pretrained:null
train_model_name:latest.pdparams
--data-path:./lite_data
##
trainer:norm_train
norm_train:train.py --workers=0
##
===========================eval_params===========================
eval:train.py --test-only --workers=0
##
===========================infer_params===========================
--save-inference-dir:./output/mobilenet_v3_small_infer/
--pretrained:
norm_export:tools/export_model.py --model=mobilenet_v3_small
##
train_model:./mobilenet_v3_small_pretrained.pdparams
infer_export:tools/export_model.py --model=mobilenet_v3_small
##
inference:deploy/inference_python/infer.py
--use-gpu:True|False
--batch-size:1
--model-dir:./output/mobilenet_v3_small_infer/
--img-path:./images/demo.jpg
--benchmark:True
\ No newline at end of file
tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md 0 → 100644
浏览文件 @ 976123fa
# Windows GPU/CPU 基础训练推理测试
Windows GPU/CPU 基础训练推理测试的主程序为`test_train_inference_python.sh`，可以测试基于Python的模型训练、评估、推理等基本功能。
在Windows平台上执行命令和Linux平台略有不同，主要体现在：下载与解压数据、设置环境变量、数据加载等方面。此外Windows平台只支持单卡的训练与预测，DataLoader只支持单进程模式，因此需要设置 workers 为0。
## 1. 测试结论汇总
- 训练相关：
| 算法名称 | 模型名称 | 单机单卡 | 单机多卡 |
| :----: | :----: | :----: | :----: |
| MobileNetV3 | mobilenet_v3_small | 正常训练 | 不支持 |
- 推理相关：
| 算法名称 | 模型名称 | device_CPU | device_GPU | batchsize |
| :----: | :----: | :----: | :----: | :----: |
| MobileNetV3 | mobilenet_v3_small | 支持 | 支持 | 1 |
## 2. 测试流程
### 2.1 准备数据
用于基础训练推理测试的数据位于`test_images/lite_data.tar`，直接解压即可（如果已经解压完成，则无需运行下面的命令）。
```bash
python -c "import shutil;shutil.unpack_archive('test_images/lite_data.tar', extract_dir='./',format='tar')"
```
执行该命令后，会在当前路径下解压出对应的数据集文件夹`lite_data`
### 2.2 准备预训练模型
使用下面的命令下载 MobileNetV3 预训练模型，便于后续测试模型评估、预测、推理部署等功能。
```bash
pip install wget
python -c "import wget;wget.download('https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_pretrained.pdparams')"
```
### 2.3 准备环境
- 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。
```
# 需要安装2.2及以上版本的Paddle
# 安装GPU版本的Paddle
pip install paddlepaddle-gpu==2.2.0
# 安装CPU版本的Paddle
pip install paddlepaddle==2.2.0
```
- 安装依赖
```
pip install -r requirements.txt
```
- 安装AutoLog（规范化日志输出工具）
```
pip install https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl
```
- 安装 Git
在windows下想要执行shell脚本，需要使用到"Git Bash"，所以需要先安装Git，具体可百度搜索安装方法。
### 2.4 功能测试
测试方法如下所示，希望测试不同的模型文件，只需更换为自己的参数配置文件，即可完成对应模型的测试。
```bash
bash test_tipc/test_train_inference_python.sh ${your_params_file} lite_train_lite_infer
```
以`mobilenet_v3_small`的`Windows GPU/CPU 基础训练推理测试`为例，命令如下所示。
```bash
bash test_tipc/test_train_inference_python.sh test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt lite_train_lite_infer
```
输出结果如下，表示命令运行成功。
```bash
Run successfully with command - python train.py --workers=0 --output-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --epochs=5 --batch-size=4!
......
Run successfully with command - python deploy/inference_python/infer.py --use-gpu=False --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --batch-size=1 --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log 2>&1 !
```
在开启benchmark参数时，可以得到测试的详细数据，包含运行环境信息（系统版本、CUDA版本、CUDNN版本、驱动版本），Paddle版本信息，参数设置信息（运行设备、线程数、是否开启内存优化等），模型信息（模型名称、精度），数据信息（batchsize、是否为动态shape等），性能信息（CPU,GPU的占用、运行耗时、预处理耗时、推理耗时、后处理耗时），如下图所示
<div align="center">
<img src="../../../../tipc/windows_train_infer_python/images/autolog_win_demo.png">
</div>
该信息可以在运行log中查看，以`mobilenet_v3_small`为例，log位置在`./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log`。
如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。
tutorials/tipc/train_infer_python/test_train_infer_python.md
浏览文件 @ 976123fa
......@@ -7,12 +7,12 @@
- [2.1 命令解析](#2.1)
- [2.2 配置文件和运行命令映射解析](#2.2)
- [3. 基本训练推理功能测试开发](#3)
- [2.1 准备待测试的命令](#3.1)
- [2.2 准备数据与环境](#3.2)
- [2.3 准备开发所需脚本](#3.3)
- [2.4 填写配置文件](#3.4)
- [2.5 验证配置正确性](#3.5)
- [2.6 撰写说明文档](#3.6)
- [3.1 准备待测试的命令](#3.1)
- [3.2 准备数据与环境](#3.2)
- [3.3 准备开发所需脚本](#3.3)
- [3.4 填写配置文件](#3.4)
- [3.5 验证配置正确性](#3.5)
- [3.6 撰写说明文档](#3.6)
- [4. FAQ](#4)
<a name="1"></a>
......
tutorials/tipc/windows_train_infer_python/test_windows_train_infer_python.md
浏览文件 @ 976123fa
......@@ -2,8 +2,354 @@
# 目录
- [1. 简介](#1)
- [2. 命令与配置文件解析](#2)
- [2.1 命令解析](#2.1)
- [2.2 配置文件和运行命令映射解析](#2.2)
- [3. 基本训练推理功能测试开发](#3)
- [3.1 准备待测试的命令](#3.1)
- [3.2 准备数据与环境](#3.2)
- [3.3 准备开发所需脚本](#3.3)
- [3.4 填写配置文件](#3.4)
- [3.5 验证配置正确性](#3.5)
- [3.6 撰写说明文档](#3.6)
- [4. FAQ](#4)
- [1. 简介](#1---)
- [2. Windows 基础训练推理测试开发文档](#2---)
- [3. Windows 高级训练推理测试开发文档](#3---)
- [4. FAQ](#4---)
<a name="1"></a>
在Windows平台上执行命令和Linux平台略有不同，主要体现在：下载与解压数据、设置环境变量、数据加载等方面。此外Windows平台只支持单卡的训练与预测，DataLoader只支持单进程模式，因此需要设置 workers 为0。如果已经完成了 [Linux GPU/CPU 下模型的基础训练推理全流程功能开发](../train_infer_python/test_train_infer_python.md)，那么可以直接跳转到第三节[3. 基本训练推理功能测试开发](#3)。
## 1. 简介
本文档主要关注 Windows GPU/CPU 下模型的基础训练推理全流程功能测试，具体测试点如下：
- 模型训练：单机单卡训练跑通
- 模型动转静：保存静态图模型
- 模型推理：推理过程跑通
为了一键跑通上述所有功能，本文档提供了`训推一体全流程`功能自动化测试工具，它包含3个脚本文件和1个配置文件，分别是：
* `test_train_inference_python.sh`: 测试 Windows 上训练、模型动转静、推理功能的脚本，会对`win_train_infer_python.txt`进行解析，得到具体的执行命令。**该脚本无需修改**。
* `prepare.sh`: 准备测试需要的数据或需要的预训练模型。
* `common_func.sh`: 在配置文件一些通用的函数，如配置文件的解析函数等，**该脚本无需修改**。
* `win_train_infer_python.txt`: 配置文件，其中的内容会被`test_train_inference_python.sh`解析成具体的执行命令字段。
<a name="2"></a>
## 2. 命令与配置文件解析
<a name="2.1"></a>
### 2.1 命令解析
模型训练、动转静、推理过程的运行命令差别很大，但是都可以拆解为3个部分：
```
python run_script set_configs
```
例如：
* 对于通过配置文件传参的场景来说，`python3.7 train.py -c config.yaml -o epoch_num=120`
* `python`部分为`python3.7`
* `run_script`部分为`train.py`
* `set_configs`部分为`-c config.yaml -o epoch_num=120`
* 对于通过argparse传参的场景来说，`python3.7 train.py --data-path="./lite_data" --lr=0.1`
* `python`部分为`python3.7`
* `run_script`部分为`train.py`
* `set_configs`部分为`--data-path="./lite_data" --lr=0.1`
其中，可修改参数`set_configs`一般通过`=`进行分隔，`=`前面的内容可以认为是key，后面的内容可以认为是value，那么通过给定配置文件模板，解析配置，得到其中的key和value，结合`python`和`run_script`，便可以拼凑出一条完整的命令。
<a name="2.2"></a>
### 2.2 配置文件和运行命令映射解析
完整的`win_train_infer_python.txt`配置文件共有32行，包含5个方面的内容。
* 训练参数：第1~11行
* 训练脚本配置：第13~14行
* 评估脚本和配置：第16~17行（本部分无需关注，这里不再展开介绍）
* 模型导出脚本和配置：第19~25行
* 模型Inference推理：第26~32行
具体内容见[win_train_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt)。
配置文件中主要有以下3种类型的字段。
* 一行内容以冒号为分隔符：该行可以被解析为`key:value`的格式，需要根据实际的含义修改该行内容，下面进行详细说明。
* 一行内容为`======xxxxx=====`：该行内容为注释信息，无需修改。
* 一行内容为`##`：该行内容表示段落分隔符，没有实际意义，无需修改。
#### 2.2.1 训练配置参数
在配置文件中，可以通过下面的方式配置一些常用的超参数，如：是否使用GPU、迭代轮数、batch-size、预训练模型路径等，下面给出了常用的训练配置以及需要修改的内容。
<details>
<summary><b>训练配置参数（点击以展开详细内容或者折叠）
</b></summary>
| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
|----|-------------------------------------|---------------|-----------|-------------|----------------------------------|
| 2 | model_name:mobilenet_v3_small | 模型名字 | 否 | 是 | value修改为自己的模型名字 |
| 3 | python:python | python环境 | 否 | 是 | value修改为自己的python环境 |
| 4 | gpu_list:0 | gpu id | 否 | 是 | value修改为自己的GPU ID |
| 5 | use-gpu:True | 是否使用GPU | 是 | 是 | key修改为设置GPU的内容，value修改为设置GPU的值 |
| 6 | --epochs:lite_train_lite_infer=5 | 迭代的epoch数目 | 是 | 否 | key修改为代码中设置epoch数量的内容 |
| 7 | --output-dir:./output/ | 输出目录 | 是 | 否 | key修改为代码中设置输出路径的内容 |
| 8 | --batch-size:lite_train_lite_infer=4 | 训练的batch size | 是 | 否 | key修改为代码中设置batch size的内容 |
| 9 | --pretrained:null | 预训练模型 | 是 | 是 | 如果训练时指定了预训练模型，则key和value需要对应修改 |
| 10 | train_model_name:latest.pdparams | 训练结果的模型名字 | 否 | 是 | value需要修改为训练完成之后保存的模型名称，用于后续的动转静 |
| 11 | --data-path:./lite_data | 数据集路径 | 是 | 是 | key和value需要对应修改为指定的数据集路径 |
</details>
以训练命令`python train.py --device=gpu --epochs=2 --data-path=./lite_data --lr=0.001 --workers=0`为例，总共包含5个超参数。
* 运行设备：`--device=gpu`，则需要修改为配置文件的第5行，`key`为`--device`， `value`为`gpu`，修改后内容为`--device:gpu`
* 迭代轮数：`--epochs=2`，则需要修改配置文件的第6行，修改后内容为`--epochs:lite_train_lite_infer=2`（`lite_train_lite_infer`为模式设置，表示少量数据训练，少量数据推理，此处无需修改）
* 数据路径：`--data-path=./lite_data`，则需要修改为配置文件的第11行，修改后内容为`--data-path:./lite_data`
* 学习率：`--lr=0.001`，由于配置文件中不包含该项配置，因此可以将其和`train.py`字段（配置文件第14行）放在一起，具体会在2.2.2节详细说明。
* 进程数：`--workers=0`，由于配置文件中不包含该项配置，因此可以将其和`train.py`字段（配置文件第14行）放在一起，具体会在2.2.2节详细说明。
#### 2.2.2 训练命令配置参数
下面给出了配置文件中的训练命令配置参数（点击以展开详细内容或者折叠）
<details>
<summary><b>训练命令配置参数（点击以展开详细内容或者折叠）
</b></summary>
| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
|----|---------------------------------------------|-----------------|-----------|-------------|-------------------|
| 13 | trainer:norm_train | 训练方法 | 否 | 否 | - |
| 14 | norm_train:train.py | norm_train的训练脚本 | 否 | 是 | value可以修改为自己的训练命令 |
</details>
以训练命令`python train.py --device=gpu --epochs=1 --data-path=./lite_data --lr=0.001 --workers=0`为例，该命令是正常训练（非裁剪、量化、蒸馏等方式），因此
* 配置文件的第13行直接写`norm_train`即可。
* 第14行配置`norm_train`的具体运行脚本/入口，即上述命令中的`train.py`因此配置文件的14行内容初步可以修改为`norm_train:train.py`，考虑到`--lr=0.001`超参数无法在配置文件中配置，因此可以在这里添加，同样，由于在Windows平台，DataLoader只支持单进程模式，因此需要设置 `--workers=0`，修改后内容为`norm_train:train.py --lr=0.001 --workers=0`
#### 2.2.3 模型动转静配置参数
下面给出了配置文件中的模型动转静配置参数。
**【注意】：** 在模型动转静过程中，为方便管理输入输出，程序会自动指定输入和输出目录，因此我们只需要提供可以配置输入输出目录的参数即可。
<details>
<summary><b>模型动转静配置参数（点击以展开详细内容或者折叠）</b></summary>
| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
|----|------------------|-----------|-----------|-------------|-------------------------|
| 20 | --save-inference-dir:./output/mobilenet_v3_small_infer/ | 动转静输出目录 | 是 | 否 | key修改为代码中设置输出目录的内容 |
| 21 | --pretrained: | 预训练模型路径 | 是 | 否 | key修改为代码中可以设置预训练模型路径的内容 |
| 22 | norm_export:tools/export_model.py | 模型动转静导出命令 | 否 | 是 | value修改为实际的动转静导出命令 |
</details>
以模型动转静命令`python tools/export_model.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --save-inference-dir="./mobilenet_v3_small_infer" --model=mobilenet_v3_small`为例。
* 预训练模型路径的配置为`--pretrained=./mobilenet_v3_small_pretrained.pdparams`，因此需要将21行修改为`--pretrained:`
* 动转静保存目录的配置为`--save-inference-dir="./mobilenet_v3_small_infer"`，因此需要将20行修改为`--save-inference-dir:`
* 模型导出命令为`tools/export_model.py`，考虑到也需要配置`--model=mobilenet_v3_small`，因此可以将22行修改为`norm_export:tools/export_model.py --model=mobilenet_v3_small`
#### 2.2.4 模型推理配置参数
下面给出了配置文件中的模型推理配置参数。
<details>
<summary><b>模型推理配置参数（点击以展开详细内容或者折叠）</b></summary>
| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
|----|------------------|-----------------|-----------|-------------|-------------|
| 24 | train_model:./pretrain_models/mobilenet_v3_small_pretrained.pdparams | 训练模型保存路径 | 否 | 否 | |
| 25 | infer_export:tools/export_model.py --model=mobilenet_v3_small | 推理前是否需要导出 | 否 | 是 | value修改为和22行内容一致即可 |
| 27 | inference:deploy/inference_python/infer.py | 推理脚本 | 否 | 是 | value修改为自己的推理脚本 |
| 28 | --use-gpu:True|False | 是否使用GPU | 是 | 是 | key和value修改为GPU设置的参数和值 |
| 29 | --batch_size:1 | 推理batch size | 是 | 否 | key修改为代码中设置batch size的内容 |
| 30 | --model-dir:./output/mobilenet_v3_small_infer/ | 推理模型保存路径 | 是 | 否 | key修改为代码中可以设置inference model路径的内容 |
| 31 | --img-path:./images/demo.jpg | 图片路径或者图片文件夹路径 | 是 | 否 | key修改为代码中设置图片路径的内容 |
| 32 | --benchmark:True | 是否使用benchmark | 是 | 是 | key和value修改为规范化推理日志输出设置的参数和值 |
</details>
以推理命令`python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer/ --img-path=./images/demo.jpg`为例。
* 推理的入口脚本为`deploy/inference_python/infer.py`，因此27行需要修改为`inference:deploy/inference_python/infer.py`。
* Inference模型路径配置为`--model-dir=./mobilenet_v3_small_infer/`，而运行该命令时，会直接基于已经生成的Inference模型，因此30行需要修改为`--model-dir:./mobilenet_v3_small_infer/`
* 测试图像路径配置为`--img-path=./images/demo.jpg`，因此31行修改为`--img-path:./images/demo.jpg`
<a name="3"></a>
## 3. 基础训练推理功能测试开发
基础训练推理功能测试开发过程主要分为以下6个步骤。
<div align="center">
<img src="./images/test_linux_train_infer_python_pipeline.png" width="400">
</div>
其中设置了2个核验点，下面详细介绍开发过程。
<a name="3.1"></a>
### 3.1 准备待测试的命令
**【基本内容】**
准备训练、模型动转静、模型推理的命令，后续会将这些命令按照[第2节](#2)所述内容，映射到配置文件中。
**【实战】**
MobileNetV3的训练、动转静、推理示例运行命令如下所示。
```bash
# 模型训练
# 在Windows平台，DataLoader只支持单进程模式，因此需要设置 workers 为0
python train.py --device=gpu --epochs=2 --data-path=./lite_data --lr=0.001 --workers=0
# 模型动转静
python tools/export_model.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --save-inference-dir="./mobilenet_v3_small_infer" --model=mobilenet_v3_small
# 推理
python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer/ --img-path=./images/demo.jpg
```
<a name="3.2"></a>
### 3.2 准备数据与环境
**【基本内容】**
1. 数据集：为方便快速验证训练/评估/推理过程，需要准备一个小数据集（训练集和验证集各8~16张图像即可，压缩后数据大小建议在`20M`以内），放在`lite_data`文件夹下。
相关文档可以参考[论文复现赛指南3.2章节](../../../docs/lwfx/ArticleReproduction_CV.md)，代码可以参考`基于ImageNet准备小数据集的脚本`：[prepare.py](https://github.com/littletomatodonkey/AlexNet-Prod/blob/tipc/pipeline/Step2/prepare.py)。
2. 环境：安装好PaddlePaddle即可进行基础训练推理测试开发。此外，在windows下想要执行shell脚本，需要使用到"Git Bash"，所以需要安装Git，具体可百度搜索安装方法。
**【注意事项】**
* 为方便管理，建议在上传至github前，首先将lite_data文件夹压缩为tar包，直接上传tar包即可，在测试训练评估与推理过程时，可以首先对数据进行解压。
* 解压命令： `python -c "import shutil;shutil.unpack_archive('./lite_data.tar', extract_dir='./',format='tar')"`
<a name="3.3"></a>
### 3.3 准备开发所需脚本
**【基本内容】**
如果已经完成了 [Linux GPU/CPU 下模型的基础训练推理全流程功能开发](../train_infer_python/test_train_infer_python.md)，那么只需要在原`test_tipc`目录的基础上，增加 Windows GPU/CPU 下模型的基础训练推理测试的配置文件和使用说明文档。否则，需要在repo中新建`test_tipc`目录，将文件 [common_func.sh](../../mobilenetv3_prod/Step6/test_tipc/common_func.sh) ， [prepare.sh](../../mobilenetv3_prod/Step6/test_tipc/prepare.sh) 和 [test_train_inference_python.sh](../../mobilenetv3_prod/Step6/test_tipc/test_train_inference_python.sh) 分别拷贝到`test_tipc`目录中。
**【注意事项】**
* 上述3个脚本文件无需改动，在实际使用时，直接修改配置文件即可。
<a name="3.4"></a>
### 3.4 填写配置文件
**【基本内容】**
在repo的`test_tipc/`目录中新建`configs/model_name`，将文件 [win_train_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt) 拷贝到该目录中，其中`model_name`需要修改为您自己的模型名称。
**【实战】**
配置文件的含义解析可以参考 [2.2节配置文件解析](#2.2) 部分。
mobilenet_v3_small的测试开发配置文件可以参考：[win_train_infer_python.txt](../../mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt)。
<a name="3.5"></a>
### 3.5 验证配置正确性
**【基本内容】**
基于修改完的配置，运行
```bash
bash test_tipc/test_train_inference_python.sh ${your_params_file} lite_train_lite_infer
```
**【注意事项】**
如果运行失败，会输出具体的报错命令，可以根据输出的报错命令排查下配置文件的问题并修改，示例报错如下所示。
```
Run failed with command - python tools/export_model.py --model=mobilenet_v3_small --pretrained=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0/latest --save-inference-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0!
```
**【实战】**
以mobilenet_v3_small的`Windows GPU/CPU 基础训练推理功能测试` 为例，命令如下所示。
```bash
bash test_tipc/test_train_inference_python.sh test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt lite_train_lite_infer
```
输出结果如下，表示命令运行成功。
```bash
Run successfully with command - python train.py --workers=0 --output-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --epochs=5 --batch-size=4!
......
Run successfully with command - python deploy/inference_python/infer.py --use-gpu=False --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --batch-size=1 --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log 2>&1 !
```
在开启benchmark参数时，可以得到测试的详细数据，包含运行环境信息（系统版本、CUDA版本、CUDNN版本、驱动版本），Paddle版本信息，参数设置信息（运行设备、线程数、是否开启内存优化等），模型信息（模型名称、精度），数据信息（batchsize、是否为动态shape等），性能信息（CPU,GPU的占用、运行耗时、预处理耗时、推理耗时、后处理耗时），如下图所示
<div align="center">
<img src="./images/autolog_win_demo.png">
</div>
该信息可以在运行log中查看，以`mobilenet_v3_small`为例，log位置在`./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log`。
**【核验】**
基于修改后的配置文件，测试通过，全部命令成功
<a name="3.6"></a>
### 3.6 撰写说明文档
**【基本内容】**
撰写TIPC功能总览和测试流程说明文档，分别为
1. TIPC功能总览文档：test_tipc/README.md
2. Windows GPU/CPU 基础训练推理功能测试说明文档：test_tipc/docs/test_windows_train_inference_python.md
2个文档模板分别位于下述位置，可以直接拷贝到自己的repo中，根据自己的模型进行修改。
1. [README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
2. [test_windows_train_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md)
**【实战】**
mobilenet_v3_small中`test_tipc`文档如下所示。
1. TIPC功能总览文档：[README.md](../../mobilenetv3_prod/Step6/test_tipc/README.md)
2. Windows GPU/CPU 基础训练推理测试说明文档：[test_windows_train_inference_python.md](../../mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md)
**【核验】**
repo中最终目录结构如下所示。
```
test_tipc
|--configs # 配置目录
| |--model_name # 您的模型名称
| |--win_train_infer_python.txt # 基础训练推理测试配置文件
|--docs # 文档目录
| |--test_windows_train_inference_python.md # 基础训练推理测试说明文档
|----README.md # TIPC说明文档
|----prepare.sh # TIPC基础训练推理测试数据准备脚本
|----test_train_inference_python.sh # TIPC基础训练推理测试解析脚本，无需改动
|----common_func.sh # TIPC基础训练推理测试常用函数，无需改动
```
基于`test_windows_train_inference_python.md`文档，跑通`Windows GPU/CPU 基础训练推理功能测试`流程。
<a name="4"></a>
## 4. FAQ
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或