PaddleClas/docs/zh_CN/models/ImageNet1k/FasterNet.md

FasterNet 系列

---

目录

• 1. 模型介绍
  • 1.1 模型简介
  • 1.2 模型指标
• 2. 模型快速体验
• 3. 模型训练、评估和预测
• 4. 模型推理部署
  • 4.1 推理模型准备
  • 4.2 基于 Python 预测引擎推理
  • 4.3 基于 C++ 预测引擎推理
  • 4.4 服务化部署
  • 4.5 端侧部署
  • 4.6 Paddle2ONNX 模型转换与预测

1. 模型介绍

1.1 模型简介

FasterNet 是一个旨在提高运行速度的神经网络，改进点主要如下：

1. 重新审视了流行的运算符，发现低 FLOPS 主要是由于运算符频繁的内存访问，特别是深度卷积；
2. 提出了部分卷积 (PConv)，通过减少冗余计算和内存访问来更高效地提取空间特征；
3. 基于 PConv 推出了 FasterNet 系列模型，这是一种新的神经网络家族，在不影响各种视觉任务准确性的情况下，在各种设备上实现了显著更高的运行速度。

结果表明在 ImageNet-1K 数据集上，小型的 FasterNet-T0 在 GPU、CPU 和 ARM 处理器上分别比 MobileViT-XX S快 2.8 倍、3.3 倍和 2.4 倍，同时在准确性上提高了 2.9%。大型的FasterNet-L取得了 83.5% 的 Top-1 准确性，与新兴的 Swin-B 相当，同时在GPU上的推理吞吐量提高了 36%，并在 CPU 上节省了 37% 的计算时间。

1.2 模型指标

Models	Top1	Top5	Reference top1	Reference top5	FLOPs (G)	Params (M)
FasterNet_T0	0.719	0.909	0.719		0.34	3.9
FasterNet_T1	0.759	0.932	0.762		0.85	7.6
FasterNet_T2	0.791	0.948	0.789		1.90	15.0
FasterNet_S	0.813	0.952	0.813		4.55	31.1
FasterNet_M	0.830	0.956	0.830		8.72	53.5
FasterNet_L	0.835	0.964	0.835		15.49	93.4

备注： PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。

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。

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、该模型在 ImageNet 上的训练、评估、预测等内容。在 ppcls/configs/ImageNet/FasterNet/ 中提供了该模型的训练配置，启动训练方法可以参考：ResNet50 模型训练、评估和预测。

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。

Inference 的获取可以参考 ResNet50 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 。

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。

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。

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。

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 模型转换与预测来完成相应的部署工作。