update code and docs

deploy/configs/PULC/person/inference_person_cls.yaml

@@ -1,9 +1,9 @@
 Global:
-  infer_imgs: "./images/cls_demo/person/objects365_02035329.jpg"
+  infer_imgs: "./images/PULC/person/objects365_02035329.jpg"
   inference_model_dir: "./models/person_cls_infer"
   batch_size: 1
   use_gpu: True
-  enable_mkldnn: True
+  enable_mkldnn: False
   cpu_num_threads: 10
   enable_benchmark: True
   use_fp16: False
@@ -30,7 +30,7 @@ PostProcess:
   main_indicator: ThreshOutput
   ThreshOutput:
     threshold: 0.9
-    label_0: invalid
+    label_0: nobody
-    label_1: valid
+    label_1: someone
   SavePreLabel:
     save_dir: ./pre_label/

docs/zh_CN/PULC/PULC_person_cls.md

@@ -1,6 +1,6 @@
 # PaddleClas构建有人/无人分类案例
 
-此处提供了用户使用 PaddleClas 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络PPLCNet、SSLD预训练权重、EDA数据增强策略、KL-JS-UGI知识蒸馏策略、SHAS超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。
+此处提供了用户使用 PaddleClas 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络PPLCNet、SSLD预训练权重、EDA数据增强策略、SKL-UGI知识蒸馏策略、SHAS超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。
 
 ------
 
@@ -55,7 +55,7 @@ cd deploy
 mkdir models
 cd models
 # 下载inference 模型并解压
-wget https://paddleclas.bj.bcebos.com/models/cls_demo/person_cls_infer.tar && tar -xf person_cls_infer.tar
+wget https://paddleclas.bj.bcebos.com/models/PULC/person_cls_infer.tar && tar -xf person_cls_infer.tar
 ```
 
 解压完毕后，`models` 文件夹下应有如下文件结构：
@@ -75,23 +75,29 @@ wget https://paddleclas.bj.bcebos.com/models/cls_demo/person_cls_infer.tar && ta
 
 #### 2.2.1 预测单张图像
 
-运行下面的命令，对图像 `./images/cls_demo/person/objects365_02035329.jpg` 进行有人/无人分类。
+返回 `deploy` 目录：
+
+```
+cd ../
+```
+
+运行下面的命令，对图像 `./images/PULC/person/objects365_02035329.jpg` 进行有人/无人分类。
 
 ```shell
 # 使用下面的命令使用 GPU 进行预测
-python3.7 python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml
+python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o PostProcess.ThreshOutput.threshold=0.9794
 # 使用下面的命令使用 CPU 进行预测
-python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.use_gpu=False
+python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o PostProcess.ThreshOutput.threshold=0.9794 -o Global.use_gpu=False
 ```
 
 输出结果如下。
 
 ```
-objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
+objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
 ```
 
-其中，`someone` 表示该图里存在人，`nobody` 表示该图里不存在人。
 
+**备注：** 真实场景中往往需要在假正类率（Fpr）小于某一个指标下求真正类率（Tpr），该场景中的`val`数据集在千分之一Fpr下得到的最佳Tpr所得到的阈值为`0.9794`，故此处的`threshold`为`0.9794`。该阈值的确定方法可以参考[3.2节](#3.2)
 
 <a name="2.2.2"></a> 
 
@@ -101,16 +107,18 @@ objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name
 
 ```shell
 # 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
-python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.infer_imgs="./images/cls_demo/person/"
+python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o Global.infer_imgs="./images/PULC/person/"
 ```
 
 终端中会输出该文件夹内所有图像的分类结果，如下所示。
 
 ```
-objects365_01780782.jpg:	class id(s): [0, 1], score(s): [1.00, 0.00], label_name(s): ['nobody', 'someone']
+objects365_01780782.jpg:	class id(s): [0], score(s): [1.00], label_name(s): ['nobody']
-objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
+objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']
 ```
 
+其中，`someone` 表示该图里存在人，`nobody` 表示该图里不存在人。
+
 <a name="3"></a> 
 
 ## 3.有人/无人场景训练
@@ -161,7 +169,7 @@ cd ../
 
 * **注意**: 
 
-* 本案例中所使用的所有数据集均为开源数据，`train`集合为[MS-COCO数据](https://cocodataset.org/#overview)的训练集的子集，`val`集合为[Object365数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val`为[ImageNet数据](https://www.image-net.org/)的验证集。
+* 本案例中所使用的所有数据集均为开源数据，`train`集合为[MS-COCO数据](https://cocodataset.org/#overview)的训练集的子集，`val`集合为[Object365数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val`为[ImageNet数据](https://www.image-net.org/)的验证集。数据集的筛选流程可以参考[有人/无人场景数据集筛选方法]()。
 
 <a name="3.2"></a> 
 
@@ -175,47 +183,53 @@ cd ../
 
 ##### 3.2.1.1 基于默认超参数训练轻量级模型
 
-在`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml`中提供了基于该场景中已经搜索好的超参数，可以通过如下脚本启动训练：
+在`ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml`中提供了基于该场景的训练配置，可以通过如下脚本启动训练：
 
 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
 python3 -m paddle.distributed.launch \
     --gpus="0,1,2,3" \
     tools/train.py \
-        -c ./ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml 
+        -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml 
 ```
 
-验证集的最佳 metric 在0.94-0.95之间（数据集较小，容易造成波动）。
+验证集的最佳指标在0.94-0.95之间（数据集较小，容易造成波动）。
+
+**备注：** 
+
+* 此时使用的指标为Tpr，该指标描述了在假正类率（Fpr）小于某一个指标时的真正类率（Tpr），是产业中二分类问题常用的指标之一。在本案例中，Fpr为千分之一。关于Fpr和Tpr的更多介绍，可以参考[这里](https://baike.baidu.com/item/AUC/19282953)。
+
+* 在eval时，会打印出来当前最佳的TprAtFpr指标，具体地，其会打印当前的`Fpr`、`Tpr`值，以及当前的`threshold`值，`Tpr`值反映了在当前`Fpr`值下的召回率，该值越高，代表模型越好。`threshold` 表示当前最佳`Fpr`所对应的分类阈值，可用于后续模型部署落地等。
 
 <a name="3.2.1.2"></a> 
 
 ##### 3.2.1.2 基于默认超参数训练教师模型
 
-复用`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml`中的超参数，训练教师模型，训练脚本如下：
+复用`ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml`中的超参数，训练教师模型，训练脚本如下：
 
 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
 python3 -m paddle.distributed.launch \
     --gpus="0,1,2,3" \
     tools/train.py \
-        -c ./ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml \
+        -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml \
         -o Arch.name=ResNet101_vd
 ```
 
-验证集的最佳 metric 为0.97-0.98之间，当前教师模型最好的权重保存在`output/ResNet101_vd/best_model.pdparams`。
+验证集的最佳指标为0.96-0.98之间，当前教师模型最好的权重保存在`output/ResNet101_vd/best_model.pdparams`。
 
 <a name="3.2.1.3"></a> 
 
 ##### 3.2.1.3 基于默认超参数进行蒸馏训练
 
-配置文件`ppcls/configs/cls_demo/person/Distillation/PPLCNet_x1_0_distillation.yaml`提供了`KL-JS-UGI知识蒸馏策略`的配置。该配置将`ResNet101_vd`当作教师模型，`PPLCNet_x1_0`当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：
+配置文件`ppcls/configs/PULC/PULC/Distillation/PPLCNet_x1_0_distillation.yaml`提供了`SKL-UGI知识蒸馏策略`的配置。该配置将`ResNet101_vd`当作教师模型，`PPLCNet_x1_0`当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：
 
 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
 python3 -m paddle.distributed.launch \
     --gpus="0,1,2,3" \
     tools/train.py \
-        -c .ppcls/configs/cls_demo/person/Distillation/PPLCNet_x1_0_distillation.yaml \
+        -c ./ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml \
         -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model
 ```
 
@@ -228,14 +242,19 @@ python3 -m paddle.distributed.launch \
 * 搜索运行脚本如下：
 
 ```shell
-python tools/search_strategy.py -c ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0_search.yaml
+python tools/search_strategy.py -c ppcls/configs/StrategySearch/person.yaml
 ```
 
+在`ppcls/configs/StrategySearch/person.yaml`中指定了具体的 GPU id 号和搜索配置。
+
 * **注意**: 
 
-* 此过程基于当前数据集在 V100 4 卡上大概需要耗时 6 小时，如果缺少机器资源，希望体验搜索过程，可以将`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0_search.yaml`中的`train_list.txt`和`val_list.txt`分别替换为`train_list.txt.debug`和`val_list.txt.debug`。替换list只是为了加速跑通整个搜索过程，由于数据量较小，其搜素的结果没有参考性。
+* 3.1小节提供的默认配置已经经过了搜索，所以此过程不是必要的过程，如果自己的训练数据集有变化，可以尝试此过程。
+
+* 此过程基于当前数据集在 V100 4 卡上大概需要耗时 10 小时，如果缺少机器资源，希望体验搜索过程，可以将`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0_search.yaml`中的`train_list.txt`和`val_list.txt`分别替换为`train_list.txt.debug`和`val_list.txt.debug`。替换list只是为了加速跑通整个搜索过程，由于数据量较小，其搜素的结果没有参考性。另外，搜索空间可以根据当前的机器资源来调整，如果机器资源有限，可以尝试缩小搜索空间，如果机器资源较充足，可以尝试扩大搜索空间。
+
+* 如果此过程搜索的得到的超参数与[3.2.1小节](#3.2.1)提供的超参数不一致，主要是由于训练数据较小造成的波动导致，可以忽略。
 
-* 如果此过程搜索的得到的超参数与3.2.1小节提供的超参数不一致，主要是由于训练数据较小造成的波动导致，可以忽略。
 
 <a name="4"></a>
 
@@ -246,11 +265,11 @@ python tools/search_strategy.py -c ppcls/configs/cls_demo/person/PPLCNet/PPLCNet
 
 ### 4.1 模型评估
 
-训练好模型之后，可以通过以下命令实现对模型精度的评估。
+训练好模型之后，可以通过以下命令实现对模型指标的评估。
 
 ```bash
 python3 tools/eval.py \
-    -c ./ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml \
+    -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml \
     -o Global.pretrained_model="output/PPLCNet_x1_0/best_model"
 ```
 
@@ -262,11 +281,20 @@ python3 tools/eval.py \
 
 ```python
 python3 tools/infer.py \
-    -c ./ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml \
+    -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml \
     -o Infer.infer_imgs=./dataset/person/val/objects365_01780637.jpg  \
-    -o Global.pretrained_model=output/PPLCNet_x1_0/best_model
+    -o Global.pretrained_model=output/PPLCNet_x1_0/best_model \
+    -o Global.pretrained_model=Infer.PostProcess.threshold=0.9794
 ```
 
+输出结果如下：
+
+```
+[{'class_ids': [0], 'scores': [0.9878496769815683], 'label_names': ['nobody'], 'file_name': './dataset/person/val/objects365_01780637.jpg'}]
+```
+
+**备注：** 这里的`Infer.PostProcess.threshold`的值需要根据实际场景来确定，此处的`0.9794`是在该场景中的`val`数据集在千分之一Fpr下得到的最佳Tpr所得到的。
+
 <a name="4.3"></a> 
 
 ### 4.3 使用 inference 模型进行推理
@@ -280,7 +308,7 @@ python3 tools/infer.py \
 
 ```bash
 python3 tools/export_model.py \
-    -c ./ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml \
+    -c ./ppcls/configs/cls_demo/PULC/PPLCNet/PPLCNet_x1_0.yaml \
     -o Global.pretrained_model=output/PPLCNet_x1_0/best_model \
     -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_person
 ```
@@ -292,8 +320,11 @@ python3 tools/export_model.py \
 推理预测的脚本为：
 
 ```
-python3.7 python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person"
+python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person" -o PostProcess.ThreshOutput.threshold=0.9794
 ```
 
-更多关于推理的细节，可以参考[2.2节](#2.2)。
+**备注：**
+
+- 此处的`PostProcess.ThreshOutput.threshold`由eval时的最佳`threshold`来确定。
+- 更多关于推理的细节，可以参考[2.2节](#2.2)。
 

ppcls/arch/__init__.py

@@ -40,6 +40,7 @@ def build_model(config):
     arch = getattr(mod, model_type)(**arch_config)
     if use_sync_bn:
         arch = nn.SyncBatchNorm.convert_sync_batchnorm(arch)
+
     if isinstance(arch, TheseusLayer):
         prune_model(config, arch)
         quantize_model(config, arch)

ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml

@@ -6,7 +6,7 @@ Global:
   device: gpu
   save_interval: 1
   eval_during_train: True
-  start_eval_epoch: 10
+  start_eval_epoch: 1
   eval_interval: 1
   epochs: 20
   print_batch_step: 10
@@ -33,14 +33,11 @@ Arch:
     - Teacher:
         name: ResNet101_vd
         class_num: *class_num
-        use_sync_bn: True
     - Student:
         name: PPLCNet_x1_0
         class_num: *class_num
         pretrained: True
         use_ssld: True
-        use_sync_bn: True
-        lr_mult_list: [0.0, 0.2, 0.4, 0.6, 0.8, 1.0]
 
   infer_model_name: "Student"
  
@@ -155,9 +152,10 @@ Infer:
         order: ''
     - ToCHWImage:
   PostProcess:
-    name: Topk
+    name: ThreshOutput
-    topk: 5
+    threshold: 0.9
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
+    label_0: nobody
+    label_1: someone
 
 Metric:
     Train:

ppcls/configs/PULC/person/OtherModels/MobileNetV3_large_x1_0.yaml

@@ -130,9 +130,10 @@ Infer:
         order: ''
     - ToCHWImage:
   PostProcess:
-    name: Topk
+    name: ThreshOutput
-    topk: 5
+    threshold: 0.9
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
+    label_0: nobody
+    label_1: someone
 
 Metric:
   Train:

ppcls/configs/PULC/person/OtherModels/SwinTransformer_tiny_patch4_window7_224.yaml

@@ -153,9 +153,10 @@ Infer:
         order: ''
     - ToCHWImage:
   PostProcess:
-    name: Topk
+    name: ThreshOutput
-    topk: 5
+    threshold: 0.9
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
+    label_0: nobody
+    label_1: someone
 
 Metric:
   Train:

ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml

@@ -26,7 +26,6 @@ Arch:
   pretrained: True
   use_ssld: True
   use_sync_bn: True
-  lr_mult_list: [0.0, 0.2, 0.4, 0.6, 0.8, 1.0]
  
 # loss function config for traing/eval process
 Loss:
@@ -137,9 +136,10 @@ Infer:
         order: ''
     - ToCHWImage:
   PostProcess:
-    name: Topk
+    name: ThreshOutput
-    topk: 5
+    threshold: 0.9
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
+    label_0: nobody
+    label_1: someone
 
 Metric:
   Train:

ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0_search.yaml

@@ -136,9 +136,10 @@ Infer:
         order: ''
     - ToCHWImage:
   PostProcess:
-    name: Topk
+    name: ThreshOutput
-    topk: 5
+    threshold: 0.9
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
+    label_0: nobody
+    label_1: someone
 
 Metric:
   Train:

ppcls/configs/StrategySearch/person.yaml

@@ -1,9 +1,9 @@
-base_config_file: ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml
+base_config_file: ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0_search.yaml
-distill_config_file: ppcls/configs/cls_demo/person/Distillation/PPLCNet_x1_0_distillation.yaml
+distill_config_file: ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml
 
 gpus: 0,1,2,3
 output_dir: output/search_person
-search_times: 3
+search_times: 1
 search_dict:
   - search_key: lrs
     replace_config:

ppcls/configs/cls_demo/person/Distillation/PPLCNet_x1_0_distillation_search.yaml

@@ -1,169 +0,0 @@
-# global configs
-Global:
-  checkpoints: null
-  pretrained_model: null
-  output_dir: ./output
-  device: gpu
-  save_interval: 1
-  eval_during_train: True
-  start_eval_epoch: 10
-  eval_interval: 1
-  epochs: 20
-  print_batch_step: 10
-  use_visualdl: False
-  # used for static mode and model export
-  image_shape: [3, 224, 224]
-  save_inference_dir: ./inference
-  # training model under @to_static
-  to_static: False
-  use_dali: False
-
-# model architecture
-Arch:
-  name: "DistillationModel"
-  class_num: &class_num 2
-  # if not null, its lengths should be same as models
-  pretrained_list:
-  # if not null, its lengths should be same as models
-  freeze_params_list:
-  - True
-  - False
-  use_sync_bn: True
-  models:
-    - Teacher:
-        name: ResNet101_vd
-        class_num: *class_num
-        use_sync_bn: True
-    - Student:
-        name: PPLCNet_x1_0
-        class_num: *class_num
-        pretrained: True
-        use_ssld: True
-        use_sync_bn: True
-
-  infer_model_name: "Student"
- 
-# loss function config for traing/eval process
-Loss:
-  Train:
-    - DistillationDMLLoss:
-        weight: 1.0
-        model_name_pairs:
-        - ["Student", "Teacher"]
-  Eval:
-    - CELoss:
-        weight: 1.0
-
-
-Optimizer:
-  name: Momentum
-  momentum: 0.9
-  lr:
-    name: Cosine
-    learning_rate: 0.01
-    warmup_epoch: 5
-  regularizer:
-    name: 'L2'
-    coeff: 0.00004
-
-
-# data loader for train and eval
-DataLoader:
-  Train:
-    dataset:
-      name: ImageNetDataset
-      image_root: ./dataset/person/
-      cls_label_path: ./dataset/person/train_list_for_distill.txt
-      transform_ops:
-        - DecodeImage:
-            to_rgb: True
-            channel_first: False
-        - RandCropImage:
-            size: 224
-        - RandFlipImage:
-            flip_code: 1
-        - TimmAutoAugment:
-            prob: 0.0
-            config_str: rand-m9-mstd0.5-inc1
-            interpolation: bicubic
-            img_size: 224
-        - NormalizeImage:
-            scale: 1.0/255.0
-            mean: [0.485, 0.456, 0.406]
-            std: [0.229, 0.224, 0.225]
-            order: ''
-        - RandomErasing:
-            EPSILON: 0.0
-            sl: 0.02
-            sh: 1.0/3.0
-            r1: 0.3
-            attempt: 10
-            use_log_aspect: True
-            mode: pixel
-    sampler:
-      name: DistributedBatchSampler
-      batch_size: 64
-      drop_last: False
-      shuffle: True
-    loader:
-      num_workers: 16
-      use_shared_memory: True
-
-  Eval:
-    dataset: 
-      name: ImageNetDataset
-      image_root: ./dataset/person/
-      cls_label_path: ./dataset/person/val_list.txt
-      transform_ops:
-        - DecodeImage:
-            to_rgb: True
-            channel_first: False
-        - ResizeImage:
-            resize_short: 256
-        - CropImage:
-            size: 224
-        - NormalizeImage:
-            scale: 1.0/255.0
-            mean: [0.485, 0.456, 0.406]
-            std: [0.229, 0.224, 0.225]
-            order: ''
-    sampler:
-      name: DistributedBatchSampler
-      batch_size: 64
-      drop_last: False
-      shuffle: False
-    loader:
-      num_workers: 4
-      use_shared_memory: True
-
-Infer:
-  infer_imgs: docs/images/inference_deployment/whl_demo.jpg
-  batch_size: 10
-  transforms:
-    - DecodeImage:
-        to_rgb: True
-        channel_first: False
-    - ResizeImage:
-        resize_short: 256
-    - CropImage:
-        size: 224
-    - NormalizeImage:
-        scale: 1.0/255.0
-        mean: [0.485, 0.456, 0.406]
-        std: [0.229, 0.224, 0.225]
-        order: ''
-    - ToCHWImage:
-  PostProcess:
-    name: Topk
-    topk: 5
-    class_id_map_file: ppcls/utils/imagenet1k_label_list.txt
-
-Metric:
-    Train:
-    - DistillationTopkAcc:
-        model_key: "Student"
-        topk: [1, 2]
-    Eval:
-    - TprAtFpr:
-    - TopkAcc:
-        topk: [1, 2]

ppcls/data/postprocess/__init__.py

@@ -14,9 +14,10 @@
 import copy
 import importlib
 
-from . import topk
+from . import topk, threshoutput
 
 from .topk import Topk, MultiLabelTopk
+from .threshoutput import ThreshOutput
 
 
 def build_postprocess(config):

ppcls/data/postprocess/threshoutput.py

@@ -0,0 +1,36 @@
+# copyright (c) 2022 PaddlePaddle Authors. All Rights Reserve.
+#
+# Licensed under the Apache License, Version 2.0 (the "License");
+# you may not use this file except in compliance with the License.
+# You may obtain a copy of the License at
+#
+#     http://www.apache.org/licenses/LICENSE-2.0
+#
+# Unless required by applicable law or agreed to in writing, software
+# distributed under the License is distributed on an "AS IS" BASIS,
+# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+# See the License for the specific language governing permissions and
+# limitations under the License.
+
+import paddle.nn.functional as F
+
+
+class ThreshOutput(object):
+    def __init__(self, threshold, label_0="0", label_1="1"):
+        self.threshold = threshold
+        self.label_0 = label_0
+        self.label_1 = label_1
+
+    def __call__(self, x, file_names=None):
+        y = []
+        x = F.softmax(x, axis=-1).numpy()
+        for idx, probs in enumerate(x):
+            score = probs[1]
+            if score < self.threshold:
+                result = {"class_ids": [0], "scores":  [1 - score], "label_names": [self.label_0]}
+            else:
+                result = {"class_ids": [1], "scores": [score], "label_names": [self.label_1]}
+            if file_names is not None:
+                result["file_name"] = file_names[idx]
+            y.append(result)
+        return y

tools/search_strategy.py

@@ -91,7 +91,7 @@ def search_strategy():
         res = search_train(teacher_list, teacher_program, base_output_dir, "teacher", replace_config, model_name)
         all_results["teacher"] = res
         best = res.get("best")
-        t_pretrained = "{}/{}_{}/{}/best_model".format(base_output_dir, "teacher", best, best)
+        t_pretrained = "{}/{}_{}_0/{}/best_model".format(base_output_dir, "teacher", best, best)
         base_program += ["-o", "Arch.models.0.Teacher.name={}".format(best),
                          "-o", "Arch.models.0.Teacher.pretrained={}".format(t_pretrained)]
     output_dir = "{}/search_res".format(base_output_dir)