From c87609544d6753352310b5303201550261053ac5 Mon Sep 17 00:00:00 2001 From: gaotingquan Date: Fri, 10 Jun 2022 09:43:08 +0000 Subject: [PATCH] docs: fix contents --- .../models/ImageNet1k/CSWinTransformer.md | 4 - docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md | 4 +- docs/zh_CN/models/ImageNet1k/ESNet.md | 2 - .../EfficientNet_and_ResNeXt101_wsl.md | 4 +- docs/zh_CN/models/ImageNet1k/HRNet.md | 4 +- docs/zh_CN/models/ImageNet1k/Inception.md | 4 +- docs/zh_CN/models/ImageNet1k/LeViT.md | 2 - docs/zh_CN/models/ImageNet1k/MixNet.md | 2 - docs/zh_CN/models/ImageNet1k/Mobile.md | 4 +- docs/zh_CN/models/ImageNet1k/Others.md | 1 + docs/zh_CN/models/ImageNet1k/PVTV2.md | 2 - docs/zh_CN/models/ImageNet1k/RepVGG.md | 2 - .../zh_CN/models/ImageNet1k/ResNeSt_RegNet.md | 2 +- docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md | 85 +++++++++++++++++-- .../ImageNet1k/SEResNext_and_Res2Net.md | 1 + 15 files changed, 88 insertions(+), 35 deletions(-) diff --git a/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md b/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md index 85bc60d47..699b83b49 100644 --- a/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md +++ b/docs/zh_CN/models/ImageNet1k/CSWinTransformer.md @@ -6,8 +6,6 @@ - [1. 模型介绍](#1) - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -51,12 +49,10 @@ CSWinTransformer 是一种新的视觉 Transformer 网络，可以用作计算 ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md index dd11376da..00943b3ba 100644 --- a/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md +++ b/docs/zh_CN/models/ImageNet1k/DPN_DenseNet.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -96,7 +97,6 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense | DPN107 | 224 | 256 | 27.84462 | 34.83217 | 60.67903 | 27.62046 | 52.65353 | 100.11721 | | DPN131 | 224 | 256 | 28.58941 | 33.01078 | 55.65146 | 28.33119 | 46.19439 | 89.24904 | - ## 2. 模型快速体验 @@ -107,12 +107,10 @@ DPN 的全称是 Dual Path Networks，即双通道网络。该网络是由 Dense ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/ESNet.md b/docs/zh_CN/models/ImageNet1k/ESNet.md index 589c3660c..0be9bdd47 100644 --- a/docs/zh_CN/models/ImageNet1k/ESNet.md +++ b/docs/zh_CN/models/ImageNet1k/ESNet.md @@ -6,8 +6,6 @@ - [1. 模型介绍](#1) - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md index 6c1b677a9..4bc50c2bc 100644 --- a/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md +++ b/docs/zh_CN/models/ImageNet1k/EfficientNet_and_ResNeXt101_wsl.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 V100 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -108,7 +109,6 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。 | EfficientNetB7 | 600 | 632 | 47.86087 | - | - | 53.93823 | - | - | | EfficientNetB0_small | 224 | 256 | 2.39166 | 4.36748 | 6.96002 | 2.3076 | 4.71886 | 7.21888 | - ## 2. 模型快速体验 @@ -119,12 +119,10 @@ ResNeXt 是 facebook 于 2016 年提出的一种对 ResNet 的改进版网络。 ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/HRNet.md b/docs/zh_CN/models/ImageNet1k/HRNet.md index 92dbed6f0..343d1c139 100644 --- a/docs/zh_CN/models/ImageNet1k/HRNet.md +++ b/docs/zh_CN/models/ImageNet1k/HRNet.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -92,7 +93,6 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络 | HRNet_W64_C | 224 | 256 | 15.10428 | 27.68901 | 40.4198 | 17.57527 | 47.9533 | 97.11228 | | SE_HRNet_W64_C_ssld | 224 | 256 | 32.33651 | 69.31189 | 116.07245 | 31.69770 | 94.99546 | 174.45766 | - ## 2. 模型快速体验 @@ -103,12 +103,10 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络 ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/Inception.md b/docs/zh_CN/models/ImageNet1k/Inception.md index a24585a83..4253a77d7 100644 --- a/docs/zh_CN/models/ImageNet1k/Inception.md +++ b/docs/zh_CN/models/ImageNet1k/Inception.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -92,7 +93,6 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结 | InceptionV3 | 299 | 320 | 3.67502 | 6.36071 | 9.82645 | 6.64054 | 13.53630 | 22.17355 | | InceptionV4 | 299 | 320 | 9.50821 | 13.72104 | 20.27447 | 12.99342 | 25.23416 | 43.56121 | - ## 2. 模型快速体验 @@ -103,12 +103,10 @@ InceptionV4 是 2016 年由 Google 设计的新的神经网络，当时残差结 ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/LeViT.md b/docs/zh_CN/models/ImageNet1k/LeViT.md index acda9413c..db0722866 100644 --- a/docs/zh_CN/models/ImageNet1k/LeViT.md +++ b/docs/zh_CN/models/ImageNet1k/LeViT.md @@ -6,8 +6,6 @@ - [1. 模型介绍](#1) - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/MixNet.md b/docs/zh_CN/models/ImageNet1k/MixNet.md index ebf929d52..db03e9b70 100644 --- a/docs/zh_CN/models/ImageNet1k/MixNet.md +++ b/docs/zh_CN/models/ImageNet1k/MixNet.md @@ -67,12 +67,10 @@ MixNet 是谷歌出的一篇关于轻量级网络的文章，主要工作就在 ## 3. 模型训练、评估和预测 - 此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 - ## 4. 模型推理部署 diff --git a/docs/zh_CN/models/ImageNet1k/Mobile.md b/docs/zh_CN/models/ImageNet1k/Mobile.md index 1794aad8d..32ca6465b 100644 --- a/docs/zh_CN/models/ImageNet1k/Mobile.md +++ b/docs/zh_CN/models/ImageNet1k/Mobile.md @@ -7,7 +7,9 @@ - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.1 基于 SD855 的预测速度](#1.3.1) + - [1.3.2 基于 V100 GPU 的预测速度](#1.3.2) + - [1.3.3 基于 T4 GPU 的预测速度](#1.3.3) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/Others.md b/docs/zh_CN/models/ImageNet1k/Others.md index 1414205b4..4138caae1 100644 --- a/docs/zh_CN/models/ImageNet1k/Others.md +++ b/docs/zh_CN/models/ImageNet1k/Others.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/PVTV2.md b/docs/zh_CN/models/ImageNet1k/PVTV2.md index 4f3f6d65e..4aae39f02 100644 --- a/docs/zh_CN/models/ImageNet1k/PVTV2.md +++ b/docs/zh_CN/models/ImageNet1k/PVTV2.md @@ -6,8 +6,6 @@ - [1. 模型介绍](#1) - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/RepVGG.md b/docs/zh_CN/models/ImageNet1k/RepVGG.md index d741933b6..f621474e3 100644 --- a/docs/zh_CN/models/ImageNet1k/RepVGG.md +++ b/docs/zh_CN/models/ImageNet1k/RepVGG.md @@ -6,8 +6,6 @@ - [1. 模型介绍](#1) - [1.1 模型简介](#1.1) - [1.2 模型指标](#1.2) - - [1.3 Benchmark](#1.3) - - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) diff --git a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md index ad41d5341..a736ce094 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md +++ b/docs/zh_CN/models/ImageNet1k/ResNeSt_RegNet.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -62,7 +63,6 @@ RegNet 是由 facebook 于 2020 年提出，旨在深化设计空间理念的概 | ResNeSt50 | 224 | 256 | 7.05851 | 8.97676 | 13.34704 | 6.16248 | 12.0633 | 21.49936 | | RegNetX_4GF | 224 | 256 | 6.69042 | 8.01664 | 11.60608 | 6.46478 | 11.19862 | 16.89089 | - ## 2. 模型快速体验 diff --git a/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md b/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md index 0c0e2aab3..a3c094b38 100644 --- a/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md +++ b/docs/zh_CN/models/ImageNet1k/ResNet_and_vd.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4) @@ -17,9 +18,14 @@ - [4.4 服务化部署](#4.4) - [4.5 端侧部署](#4.5) - [4.6 Paddle2ONNX 模型转换与预测](#4.6) + -## 1. 概述 +## 1. 模型介绍 + + + +### 1.1 模型简介 ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取得冠军，top5 错误率为 3.57%。该网络创新性的提出了残差结构，通过堆叠多个残差结构从而构建了 ResNet 网络。实验表明使用残差块可以有效地提升收敛速度和精度。 @@ -42,8 +48,9 @@ ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取 通过上述曲线可以看出，层数越多，准确率越高，但是相应的参数量、计算量和延时都会增加。ResNet50_vd_ssld 通过用更强的 teacher 和更多的数据，将其在 ImageNet-1k 上的验证集 top-1 精度进一步提高，达到了 82.39%，刷新了 ResNet50 系列模型的精度。 - -## 2. 精度、FLOPS 和参数量 + + +### 1.2 模型指标 | Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | |:--:|:--:|:--:|:--:|:--:|:--:|:--:| @@ -69,9 +76,11 @@ ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取 * 注：`ResNet50_vd_ssld_v2` 是在 `ResNet50_vd_ssld` 训练策略的基础上加上 AutoAugment 训练得到，`Fix_ResNet50_vd_ssld_v2` 是固定 `ResNet50_vd_ssld_v2` 除 FC 层外所有的网络参数，在 320x320 的图像输入分辨率下，基于 ImageNet1k 数据集微调得到。 - +### 1.3 Benchmark -## 3. 基于 V100 GPU 的预测速度 + + +#### 1.3.1 基于 V100 GPU 的预测速度 | Models | Crop Size | Resize Short Size | FP32
Batch Size=1
(ms) | FP32
Batch Size=1\4
(ms) | FP32
Batch Size=8
(ms) | |------------------|-----------|-------------------|--------------------------|--------------------------|--------------------------| @@ -92,9 +101,9 @@ ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取 | ResNet50_vd_ssld | 224 | 256 | 2.59 | 4.87 | 7.62 | | ResNet101_vd_ssld | 224 | 256 | 4.43 | 8.25 | 12.58 | - + -## 4. 基于 T4 GPU 的预测速度 +#### 1.3.2 基于 T4 GPU 的预测速度 | Models | Crop Size | Resize Short Size | FP16
Batch Size=1
(ms) | FP16
Batch Size=4
(ms) | FP16
Batch Size=8
(ms) | FP32
Batch Size=1
(ms) | FP32
Batch Size=4
(ms) | FP32
Batch Size=8
(ms) | |-------------------|-----------|-------------------|------------------------------|------------------------------|------------------------------|------------------------------|------------------------------|------------------------------| @@ -116,3 +125,65 @@ ResNet 系列模型是在 2015 年提出的，一举在 ILSVRC2015 比赛中取 | ResNet50_vd_ssld_v2 | 224 | 256 | 2.65164 | 4.84109 | 7.46225 | 3.53131 | 8.09057 | 14.45965 | | Fix_ResNet50_vd_ssld_v2 | 320 | 320 | 3.42818 | 7.51534 | 13.19370 | 5.07696 | 14.64218 | 27.01453 | | ResNet101_vd_ssld | 224 | 256 | 5.05972 | 7.83685 | 11.34235 | 6.11704 | 13.76222 | 25.11071 | + + + +## 2. 模型快速体验 + +安装 paddlepaddle 和 paddleclas 即可快速对图片进行预测，体验方法可以参考[ResNet50 模型快速体验](./ResNet.md#2-模型快速体验)。 + + + +## 3. 模型训练、评估和预测 + +此部分内容包括训练环境配置、ImageNet数据的准备、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 + +**备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 + + + +## 4. 模型推理部署 + + + +### 4.1 推理模型准备 + +Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用 MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于Paddle Inference推理引擎的介绍，可以参考[Paddle Inference官网教程](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/infer/inference/inference_cn.html)。 + +Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推理模型准备) 。 + + + +### 4.2 基于 Python 预测引擎推理 + +PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 对 SwinTransformer 完成推理预测。 + + + +### 4.3 基于 C++ 预测引擎推理 + +PaddleClas 提供了基于 C++ 预测引擎推理的示例，您可以参考[服务器端 C++ 预测](../inference_deployment/cpp_deploy.md)来完成相应的推理部署。如果您使用的是 Windows 平台，可以参考[基于 Visual Studio 2019 Community CMake 编译指南](../inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。 + + + +### 4.4 服务化部署 + +Paddle Serving 提供高性能、灵活易用的工业级在线推理服务。Paddle Serving 支持 RESTful、gRPC、bRPC 等多种协议，提供多种异构硬件和多种操作系统环境下推理解决方案。更多关于Paddle Serving 的介绍，可以参考[Paddle Serving 代码仓库](https://github.com/PaddlePaddle/Serving)。 + +PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例，您可以参考[模型服务化部署](../inference_deployment/paddle_serving_deploy.md)来完成相应的部署工作。 + + + +### 4.5 端侧部署 + +Paddle Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位于支持包括移动端、嵌入式以及服务器端在内的多硬件平台。更多关于 Paddle Lite 的介绍，可以参考[Paddle Lite 代码仓库](https://github.com/PaddlePaddle/Paddle-Lite)。 + +PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例，您可以参考[端侧部署](../inference_deployment/paddle_lite_deploy.md)来完成相应的部署工作。 + + + +### 4.6 Paddle2ONNX 模型转换与预测 + +Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通过 ONNX 可以完成将 Paddle 模型到多种推理引擎的部署，包括TensorRT/OpenVINO/MNN/TNN/NCNN，以及其它对 ONNX 开源格式进行支持的推理引擎或硬件。更多关于 Paddle2ONNX 的介绍，可以参考[Paddle2ONNX 代码仓库](https://github.com/PaddlePaddle/Paddle2ONNX)。 + +PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例，您可以参考[Paddle2ONNX 模型转换与预测](@shuilong)来完成相应的部署工作。 diff --git a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md index abd548d91..f6b83844c 100644 --- a/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md +++ b/docs/zh_CN/models/ImageNet1k/SEResNext_and_Res2Net.md @@ -8,6 +8,7 @@ - [1.2 模型指标](#1.2) - [1.3 Benchmark](#1.3) - [1.3.1 基于 V100 GPU 的预测速度](#1.3.1) + - [1.3.2 基于 T4 GPU 的预测速度](#1.3.2) - [2. 模型快速体验](#2) - [3. 模型训练、评估和预测](#3) - [4. 模型推理部署](#4)