README.md

---

pytorch-flying-fish

作为一个新手，想开始进入深度学习领域做一名炼丹师。通过一个最简的原型来学习一下pytorch的玩法。

0.准备工作

使用conda创建虚拟环境

conda create -n pytorch-ff python=3.7 -y
conda activate pytorch-ff

安装PyTorch and torchvision，参照官网,例如：

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

克隆本项目

git clone https://github.com/tianzhihen/pytorch_quick_start.git
cd pytorch_quick_start

安装依赖包

pip install -r requirements.txt

training

bash experiments/xxx_train.sh

demo

bash experiments/xxx_demo.sh

1.架构

1. 实现简单的Neural Network、支持training、testing
2. 在GPU下训练
3. 接入tensorboard
4. 模型导入导出
5. demo pipeline，进行inference并输出预测结果
6. 抽象配置
7. 加入resnet做为backbone，提高性能
8. 简易的benchmark

2.实现简单的Neural Network

通过pytorch的60min教程搭建一个包含conv层maxpooling层以及relu激活函数的nn，官网链接

neural network 各层的输入输出关系，可以通过LeNet的说明进行理解。

3. GPU训练

将net放到gpu上：

net.to(device)

将输入数据放入到gpu上：

inputs, labels = inputs.to(device), labels.to(device)

4.接入tensor_board

观察图像：

writer.add_image('train_images', img)

观察网络结构：

writer.add_graph(net, images)

观察loss：

writer.add_scalar('training loss', loss, index * len(trainloader) + i)

开启tensorboard：

tensorboard --logdir=runs --host=0.0.0.0

图像示例：

网络结构示例：

loss示例：

5.模型导出、导入

模型导出，使用推荐导出方法：

torch.save(net.state_dict(), model_output_path)

模型导入，需要和导出方法相匹配：

net.load_state_dict(torch.load(model_output_path))

6.加入demo pipeline

为了能够单独使用导出的模型，加入了 classifier_demo_pipeline.py

为了能够方便的导入模型，将网络的定义单独提取到networks/simple_net中，使得classifier_train.py、classifier_demo_pipeline.py可以复用网络结构

7.抽象配置

使用argparse对配置进行抽象，仿照了centernet对配置进行了抽象， 并仿照其目录结构对项目的train、demo两步进行了分离

8.加入backbone

引入了resnet，并修改conv1层的输入参数，以及最后fc层。

backbone_dict = {
    "resnet18": torchvision.models.resnet18(pretrained=True),
    "resnet34": torchvision.models.resnet34(pretrained=True),
    "resnet50": torchvision.models.resnet50(pretrained=True),
    "resnet101": torchvision.models.resnet101(pretrained=True)
}
if resnet_name in backbone_dict:
    net = backbone_dict[resnet_name]
    net.conv1 = nn.Conv2d(3, 64, 5)
    num_ftrs = net.fc.in_features
    net.fc = nn.Linear(num_ftrs, 10)
    return net

目前准确率可以达到86%。

9.benchamrk

用测试集进行预测，与真值对比。

（Accuracy） = Number of correct predictions / Total number of predictions

with torch.no_grad():
    for data in testloader:
        inputs, labels = data
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = net(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
accuracy = 100 * correct / total