# MobileNetV3
## 目录
- [1. 简介](#1)
- [2. 数据集和复现精度](#2)
- [3. 准备数据与环境](#3)
- [3.1 准备环境](#3.1)
- [3.2 准备数据](#3.2)
- [3.3 准备模型](#3.3)
- [4. 开始使用](#4)
- [4.1 模型训练](#4.1)
- [4.2 模型评估](#4.2)
- [4.3 模型预测](#4.3)
- [5. 模型推理部署](#5)
- [6. TIPC自动化测试脚本](#6)
- [7. 参考链接与文献](#7)
## 1. 简介
MobileNetV3 是 2019 年提出的一种基于 NAS 的新的轻量级网络，为了进一步提升效果，将 relu 和 sigmoid 激活函数分别替换为 hard_swish 与 hard_sigmoid 激活函数，同时引入了一些专门减小网络计算量的改进策略，最终性能超越了当时其他的轻量级骨干网络。
**论文:** [Searching for MobileNetV3](https://arxiv.org/abs/1905.02244)
**参考repo:** [https://github.com/pytorch/vision](https://github.com/pytorch/vision)
在此感谢[vision](https://github.com/pytorch/vision)，提高了MobileNetV3论文复现的效率。
注意：在这里为了简化流程，仅关于`ImageNet标准训练过程`做训练对齐，具体地：
* 训练总共120epoch，总的batch size是256*8=2048，学习率为0.8，下降策略为Piecewise Decay(30epoch下降10倍)
* 训练预处理：RandomResizedCrop(size=224) + RandomFlip(p=0.5) + Normalize
* 评估预处理：Resize(256) + CenterCrop(224) + Normalize
这里`mobilenet_v3_small`的参考指标也是重新训练得到的。
## 2. 数据集和复现精度
数据集为ImageNet，训练集包含1281167张图像，验证集包含50000张图像。
您可以从[ImageNet 官网](https://image-net.org/)申请下载数据。
| 模型 | top1/5 acc (参考精度) | top1/5 acc (复现精度) | 下载链接 |
|:---------:|:------:|:----------:|:----------:|
| Mo | -/- | 0.601/0.826 | [预训练模型](https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_pretrained.pdparams) \| [Inference模型](https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_infer.tar) \| [日志](https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/train_mobilenet_v3_small.log) |
## 3. 准备环境与数据
### 3.1 准备环境
* 下载代码
```bash
git clone https://github.com/PaddlePaddle/models.git
cd models/tutorials/mobilenetv3_prod/Step6
```
* 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。
```bash
# 需要安装2.2及以上版本的Paddle，如果
# 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
```
安装完成之后，可以使用下面的命令验证是否安装成功
```python
import paddle
paddle.utils.run_check()
```
如果出现了`PaddlePaddle is installed successfully!`等输出内容，如下所示，则说明安装成功。
```
W1223 02:51:03.061575 33723 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.2, Runtime API Version: 10.2
W1223 02:51:03.070878 33723 device_context.cc:465] device: 0, cuDNN Version: 7.6.
PaddlePaddle works well on 1 GPU.
W1223 02:51:33.185979 33723 fuse_all_reduce_op_pass.cc:76] Find all_reduce operators: 2. To make the speed faster, some all_reduce ops are fused during training, after fusion, the number of all_reduce ops is 2.
PaddlePaddle works well on 8 GPUs.
PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.
```
更多安装方法可以参考：[Paddle安装指南](https://www.paddlepaddle.org.cn/)。
* 安装requirements
```bash
pip install -r requirements.txt
```
### 3.2 准备数据
如果您已经下载好ImageNet1k数据集，那么该步骤可以跳过，如果您没有，则可以从[ImageNet官网](https://image-net.org/download.php)申请下载。
如果只是希望快速体验模型训练功能，则可以直接解压`test_images/lite_data.tar`，其中包含16张训练图像以及16张验证图像。
```bash
tar -xf test_images/lite_data.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
### 3.3 准备模型
如果您希望直接体验评估或者预测推理过程，可以直接根据[第2节：数据集和复现精度]()的内容下载提供的预训练模型，直接体验模型评估、预测、推理部署等内容。
使用下面的命令下载模型
```bash
# 下载预训练模型
wget https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_pretrained.pdparams
# 下载推理模型
# coming soon!
```
## 4. 开始使用
### 4.1 模型训练
* 单机单卡训练
```bash
export CUDA_VISIBLE_DEVICES=0
python3 train.py --data-path=./ILSVRC2012 --lr=0.1 --batch-size=256
```
部分训练日志如下所示。
```
[Epoch 1, iter: 4780] top1: 0.10312, top5: 0.27344, lr: 0.01000, loss: 5.34719, avg_reader_cost: 0.03644 sec, avg_batch_cost: 0.05536 sec, avg_samples: 64.0, avg_ips: 1156.08863 images/sec.
[Epoch 1, iter: 4790] top1: 0.08750, top5: 0.24531, lr: 0.01000, loss: 5.28853, avg_reader_cost: 0.05164 sec, avg_batch_cost: 0.06852 sec, avg_samples: 64.0, avg_ips: 934.08427 images/sec.
```
DCU运行需要设置环境变量 `export HIP_VISIBLE_DEVICES=0`，启动命令与Linux GPU完全相同。
* 单机多卡训练
```bash
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch --gpus="0,1,2,3" train.py --data-path="./ILSVRC2012" --lr=0.4 --batch-size=256
```
更多配置参数可以参考[train.py](./train.py)的`get_args_parser`函数。
DCU运行需要设置环境变量 `export HIP_VISIBLE_DEVICES=0,1,2,3`，启动命令与Linux GPU完全相同。
### 4.2 模型评估
该项目中，训练与评估脚本相同，指定`--test-only`参数即可完成预测过程。
```bash
python train.py --test-only --data-path=/paddle/data/ILSVRC2012 --pretrained=./mobilenet_v3_small_paddle.pdparams
```
期望输出如下。
```
Test: [ 0/1563] eta: 1:14:20 loss: 1.0456 (1.0456) acc1: 0.7812 (0.7812) acc5: 0.9062 (0.9062) time: 2.8539 data: 2.8262
...
Test: [1500/1563] eta: 0:00:05 loss: 1.2878 (1.9196) acc1: 0.7344 (0.5639) acc5: 0.8750 (0.7893) time: 0.0623 data: 0.0534
Test: Total time: 0:02:05
* Acc@1 0.564 Acc@5 0.790
```
### 4.3 模型预测
* 使用GPU预测
```
python tools/predict.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --img-path=images/demo.jpg
```
对于下面的图像进行预测
最终输出结果为`class_id: 8, prob: 0.9091238975524902`，表示预测的类别ID是`8`，置信度为`0.909`。
* 使用CPU预测
```
python tools/predict.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --img-path=images/demo.jpg --device=cpu
```
## 5. 模型推理部署
coming soon!
## 6. TIPC自动化测试脚本
coming soon!
## 7. 参考链接与文献
1. Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 1314-1324.
2. vision: https://github.com/pytorch/vision
