转自AI Studio，原文链接：基于PaddlePaddle复现的PeleeNet - 飞桨AI Studio
PeleeNet: An efficient DenseNet architecture for mobile devices
1. 简介
这是一个PaddlePaddle实现的PeleeNet。
PeleeNet是一个高效的卷积神经网络（CNN）架构，由传统的卷积法构建。与其他高效架构相比，PeleeNet有很大的速度优势，可以应用于图像分类及其它的计算机视觉任务。
论文: PeleeNet: An efficient DenseNet architecture for mobile devices
参考repo: PeleeNet
在此非常感谢Robert-JunWang贡献的PeleeNet，提高了本repo复现论文的效率。
2. 数据集
数据集为ImageNet，训练集包含1281167张图像，验证集包含50000张图像。
│imagenet ├──train │ ├── n01440764 │ │ ├── n01440764_10026.JPEG │ │ ├── n01440764_10027.JPEG │ │ ├── ...... │ ├── ...... ├──val │ ├── n01440764 │ │ ├── ILSVRC2012_val_00000293.JPEG │ │ ├── ILSVRC2012_val_00002138.JPEG │ │ ├── ...... │ ├── ......
3. 复现精度
您可以从ImageNet 官网申请下载数据。
权重及训练日志下载地址：百度网盘 or work/20epochs-finetune_checkpoint-best.pd
4. 准备数据与环境
4.1 准备环境
硬件和框架版本等环境的要求如下：
- 硬件：4 * V100
- 框架：
PaddlePaddle >= 2.2.0
- 下载代码
In [1]
%cd /home/aistudio/ # !git clone https://github.com/flytocc/PeleeNet-paddle.git !unzip PeleeNet-paddle-master.zip
- 安装paddlepaddle
# 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
更多安装方法可以参考：Paddle安装指南。
- 安装requirements
In [2]
%cd /home/aistudio/PeleeNet-paddle-master !pip install -r requirements.txt
4.2 准备数据
如果您已经ImageNet1k数据集，那么该步骤可以跳过，如果您没有，则可以从ImageNet官网申请下载。
如果只是希望快速体验模型训练功能，可以参考：飞桨训推一体认证（TIPC）开发文档
4.3 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章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
5. 复现思路
5.1 使用paddle api实现模型结构
Two-Way Dense Layer
受Inception结构的启发，由两路分别捕捉不同尺度感受野信息的网络分支构成。第一路经过一层1x1卷积完成bottleneck之后，再经过一层3x3卷积；第二路则在bottleneck之后，再经过两层3x3卷积：
class _DenseLayer(nn.Layer): def __init__(self, num_input_features, growth_rate, bottleneck_width, drop_rate): super(_DenseLayer, self).__init__() growth_rate = int(growth_rate / 2) inter_channel = int(growth_rate bottleneck_width / 4) 4 if inter_channel > num_input_features / 2: inter_channel = int(num_input_features / 8) * 4 print('adjust inter_channel to ', inter_channel) self.branch1a = BasicConv2d( num_input_features, inter_channel, kernel_size=1) self.branch1b = BasicConv2d( inter_channel, growth_rate, kernel_size=3, padding=1) self.branch2a = BasicConv2d( num_input_features, inter_channel, kernel_size=1) self.branch2b = BasicConv2d( inter_channel, growth_rate, kernel_size=3, padding=1) self.branch2c = BasicConv2d( growth_rate, growth_rate, kernel_size=3, padding=1) def forward(self, x): branch1 = self.branch1a(x) branch1 = self.branch1b(branch1) branch2 = self.branch2a(x) branch2 = self.branch2b(branch2) branch2 = self.branch2c(branch2) return paddle.concat([x, branch1, branch2], 1)
Stem Block
实现输入图像空间维度的第一次降采样（stride=2）和通道数的增加。并且在不增加较多计算量的前提下，该模块能够确保较强的特征表达能力：
class _StemBlock(nn.Layer): def __init__(self, num_input_channels, num_init_features): super(_StemBlock, self).__init__() num_stem_features = int(num_init_features/2) self.stem1 = BasicConv2d( num_input_channels, num_init_features, kernel_size=3, stride=2, padding=1) self.stem2a = BasicConv2d( num_init_features, num_stem_features, kernel_size=1, stride=1, padding=0) self.stem2b = BasicConv2d( num_stem_features, num_init_features, kernel_size=3, stride=2, padding=1) self.stem3 = BasicConv2d( 2*num_init_features, num_init_features, kernel_size=1, stride=1, padding=0) self.pool = nn.MaxPool2D(kernel_size=2, stride=2) def forward(self, x): out = self.stem1(x) branch2 = self.stem2a(out) branch2 = self.stem2b(branch2) branch1 = self.pool(out) out = paddle.concat([branch1, branch2], 1) out = self.stem3(out) return out
Dynamic Number of Channels in Bottleneck Layer
瓶颈层（1x1卷积层）的输出通道数随输入形状而变化，而并非DenseNet中growth-rate的4倍（growth_rate表示每经过一个dense block，所增加的通道数），从而确保瓶颈层的计算量不会显著增加：
class _DenseBlock(nn.Sequential): def __init__(self, num_layers, num_input_features, bn_size, growth_rate, drop_rate): super(_DenseBlock, self).__init__() for i in range(num_layers): layer = _DenseLayer(num_input_features + i * growth_rate, growth_rate, bn_size, drop_rate) setattr(self, 'denselayer%d' % (i + 1), layer)
Transition Layer without Compression
过渡层（transition layer）的输入输出通道数保持一致，即为dense group中最后一个dense block的输出通道数（in_ch+n*growth_rate）；
Composite Function
采用post-activation结构，替换DenseNet中的pre-activation结构。因而在inference阶段，BN层和卷积层可以融合在一起，以提升推理速度：
class BasicConv2d(nn.Layer): def __init__(self, in_channels, out_channels, activation=True, kwargs): super(BasicConv2d, self).__init__() self.conv = nn.Conv2D(in_channels, out_channels, bias_attr=False, kwargs) self.norm = nn.BatchNorm2D(out_channels) self.activation = activation def forward(self, x): x = self.conv(x) x = self.norm(x) if self.activation: return F.relu(x) else: return x
总体结构
基于上述改进，Pelee分类网络的总体结构如下：
class PeleeNet(nn.Layer): def __init__(self, growth_rate=32, block_config=[3, 4, 8, 6], num_init_features=32, bottleneck_width=[1, 2, 4, 4], drop_rate=0.05, num_classes=1000): super(PeleeNet, self).__init__() self.features = nn.Sequential([ ('stemblock', _StemBlock(3, num_init_features)), ]) if type(growth_rate) is list: growth_rates = growth_rate assert len(growth_rates) == 4, \ 'The growth rate must be the list and the size must be 4' else: growth_rates = [growth_rate] 4 if type(bottleneck_width) is list: bottleneck_widths = bottleneck_width assert len(bottleneck_widths) == 4, \ 'The bottleneck width must be the list and the size must be 4' else: bottleneck_widths = [bottleneck_width] 4 # Each denseblock num_features = num_init_features for i, num_layers in enumerate(block_config): block = _DenseBlock(num_layers=num_layers, num_input_features=num_features, bn_size=bottleneck_widths[i], growth_rate=growth_rates[i], drop_rate=drop_rate) setattr(self.features, 'denseblock%d' % (i + 1), block) num_features = num_features + num_layers growth_rates[i] setattr(self.features, 'transition%d' % (i + 1), BasicConv2d( num_features, num_features, kernel_size=1, stride=1, padding=0)) if i != len(block_config) - 1: setattr(self.features, 'transition%d_pool' % (i + 1), nn.AvgPool2D(kernel_size=2, stride=2)) num_features = num_features # Linear layer self.classifier = nn.Linear(num_features, num_classes) self.drop_rate = drop_rate self.apply(self._initialize_weights)
6. 开始使用
6.1 模型预测
测试图片
In [3]
%cd /home/aistudio/PeleeNet-paddle-master %run predict.py \ --model peleenet \ --infer_imgs ./demo/ILSVRC2012_val_00020010.JPEG \ --resume /home/aistudio/work/20epochs-finetune_checkpoint-best.pd
最终输出结果为
[{'class_ids': [178, 246, 211, 236, 159], 'scores': [0.9958851933479309, 0.002891531912609935, 0.0004746659251395613, 0.00018126792565453798, 0.00013171558384783566], 'file_name': './demo/ILSVRC2012_val_00020010.JPEG', 'label_names': ['Weimaraner', 'Great Dane', 'vizsla, Hungarian pointer', 'Doberman, Doberman pinscher', 'Rhodesian ridgeback']}]
表示预测的类别为Weimaraner（魏玛猎狗），ID是178，置信度为0.9958851933479309。
6.2 模型训练
单机多卡训练
pretrain
export CUDA_VISIBLE_DEVICES=0,1 python -m paddle.distributed.launch --gpus="0,1" \ main.py \ --model peleenet \ --batch_size 256 \ --aa '' --smoothing 0 --train_interpolation 'bilinear' --reprob 0 \ --mixup 0 --cutmix 0 \ --opt momentum --weight_decay 1e-4 --min_lr 0 --warmup_epochs 0 \ --lr 0.18 --epochs 120 \ --data_path /path/to/imagenet/ \ --cls_label_path_train /path/to/train_list.txt \ --cls_label_path_val /path/to/val_list.txt \ --output_dir output/peleenet_pt/ \ --dist_eval
ps: 如果未指定cls_label_path_train/cls_label_path_val，会读取data_path下train/val里的图片作为train-set/val-set。
fintune
export CUDA_VISIBLE_DEVICES=0,1 python -m paddle.distributed.launch --gpus="0,1" \ main.py \ --model peleenet \ --batch_size 256 \ --aa '' --smoothing 0 --train_interpolation 'bilinear' --reprob 0 \ --mixup 0 --cutmix 0 \ --opt momentum --weight_decay 1e-4 --min_lr 0 --warmup_epochs 0 \ --lr 0.005 --epochs 20 \ --data_path /path/to/imagenet/ \ --cls_label_path_train /path/to/train_list.txt \ --cls_label_path_val /path/to/val_list.txt \ --output_dir output/peleenet_ft/ \ --dist_eval \ --no_remove_head_from_pretained --finetune $PRETRAINED_MODEL
ps: 如果未指定cls_label_path_train/cls_label_path_val，会读取data_path下train/val里的图片作为train-set/val-set。
部分训练日志如下所示。
[14:04:15.171051] Epoch: [119] [2000/2502] eta: 0:02:23 lr: 0.000001 loss: 1.3032 (1.2889) time: 0.2833 data: 0.0065 [14:04:20.781305] Epoch: [119] [2020/2502] eta: 0:02:17 lr: 0.000001 loss: 1.3059 (1.2895) time: 0.2794 data: 0.0118
6.3 模型评估
python eval.py \ --model peleenet \ --batch_size 256 \ --train_interpolation 'bilinear' \ --data_path /path/to/imagenet/ \ --cls_label_path_val /path/to/val_list.txt \ --resume $TRAINED_MODEL
ps: 如果未指定cls_label_path_val，会读取data_path/val里的图片作为val-set。
7. 模型推理部署
7.1 基于Inference的推理
可以参考模型导出，
将该模型转为 inference 模型只需运行如下命令：
In [4]
%run export_model.py \ --model peleenet \ --output_dir ./output/ \ --resume /home/aistudio/work/20epochs-finetune_checkpoint-best.pd
In [5]
%run infer.py \ --model_file ./output/model.pdmodel \ --params_file ./output/model.pdiparams \ --input_file ./demo/ILSVRC2012_val_00020010.JPEG
输出结果为
[{'class_ids': [178, 246, 211, 236, 159], 'scores': [0.9958919286727905, 0.002890672069042921, 0.00047152844490483403, 0.00018087819626089185, 0.00013146322453394532], 'file_name': './demo/ILSVRC2012_val_00020010.JPEG', 'label_names': ['Weimaraner', 'Great Dane', 'vizsla, Hungarian pointer', 'Doberman, Doberman pinscher', 'Rhodesian ridgeback']}]
表示预测的类别为Weimaraner（魏玛猎狗），ID是178，置信度为0.9958919286727905。与predict.py结果的误差在正常范围内。
7.2 基于Serving的服务化部署
Serving部署教程可参考：链接。
8. 自动化测试脚本
详细日志在test_tipc/output
TIPC: TIPC: test_tipc/README.md
首先安装auto_log，需要进行安装，安装方式如下： auto_log的详细介绍参考 https://github.com/LDOUBLEV/A...。
git clone https://github.com/LDOUBLEV/A... cd AutoLog/ pip3 install -r requirements.txt python3 setup.py bdist_wheel pip3 install ./dist/auto_log-1.2.0-py3-none-any.whl
进行TIPC：
bash test_tipc/prepare.sh test_tipc/config/PeleeNet/peleenet.txt 'lite_train_lite_infer' bash test_tipc/test_train_inference_python.sh test_tipc/config/PeleeNet/peleenet.txt 'lite_train_lite_infer'
TIPC结果：
如果运行成功，在终端中会显示下面的内容，具体的日志也会输出到test_tipc/output/文件夹中的文件中。
Run successfully with command - python3 main.py --model=peleenet --aa='' --smoothing=0 --train_interpolation=bilinear --reprob=0 --mixup=0 --cutmix=0 --lr=0.25 --data_path=./dataset/ILSVRC2012/ --cls_label_path_train=./dataset/ILSVRC2012/train_list.txt --cls_label_path_val=./dataset/ILSVRC2012/val_list.txt --dist_eval --output_dir=./test_tipc/output/norm_train_gpus_0_autocast_null/peleenet --epochs=2 --batch_size=8 ! Run successfully with command - python3 eval.py --model=peleenet --train_interpolation=bilinear --data_path=./dataset/ILSVRC2012/ --cls_label_path_val=./dataset/ILSVRC2012/val_list.txt --resume=./test_tipc/output/norm_train_gpus_0_autocast_null/peleenet/checkpoint-latest.pd ! Run successfully with command - python3 export_model.py --model=peleenet --resume=./test_tipc/output/norm_train_gpus_0_autocast_null/peleenet/checkpoint-latest.pd --output=./test_tipc/output/norm_train_gpus_0_autocast_null ! ......
更多详细内容，请参考：TIPC测试文档。
9. 复现心得
本paddle版本的PeleeNet精度对齐了official repo，但始终和论文对不上。
分析：
我在arxiv上找到了三个版本的论文：
在v1中，作者给出的精度为71.3，和official repo训练出来的精度一样。
在v2中，作者给出了lr(0.18|0.005)、epochs(120|20)和schedule(cosine)，并更新了更高的精度72.1，这也是official repo中提供的预训练模型的精度。但使用official repo训练只能得到71.6。
在v3中，作者更新了lr(0.18|0.005)->lr(0.25|0.005)和精度72.1->72.6。
可能的解决方法：
更长的训练能提高精。例如renmada训练了300epochs能达到72.2。
10. License
This project is released under the MIT license.
11. 参考链接与文献
PeleeNet: An efficient DenseNet architecture for mobile devices: https://arxiv.org/pdf/1804.06...
PeleeNet: https://github.com/Robert-Jun...
作者：快速实现AI想法
文章来源：知乎
推荐阅读
更多芯擎AI开发板干货请关注芯擎AI开发板专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
