mirrors
/
PaddleClas
mirror of https://github.com/PaddlePaddle/PaddleClas.git
1
0
Fork 0
Code Issues Projects Releases Wiki Activity
PaddleClas/test_tipc/docs/test_train_amp_inference_py...

11 KiB
Raw Blame History

Linux GPU/CPU 混合精度训练推理测试

Linux GPU/CPU 混合精度训练推理测试的主程序为test_train_inference_python.sh，可以测试基于Python的模型混合精度(默认O2)训练、评估、推理等基本功能。

1. 测试结论汇总

  • 训练相关：
算法名称 模型名称 单机单卡 单机多卡
MobileNetV3 MobileNetV3_large_x1_0 混合精度训练 混合精度训练
PP-ShiTu GeneralRecognition_PPLCNet_x2_5 混合精度训练 混合精度训练
PP-ShiTuV2 GeneralRecognitionV2_PPLCNetV2_base 混合精度训练 混合精度训练
PPHGNet PPHGNet_small 混合精度训练 混合精度训练
PPHGNet PPHGNet_tiny 混合精度训练 混合精度训练
PPLCNet PPLCNet_x0_25 混合精度训练 混合精度训练
PPLCNet PPLCNet_x0_35 混合精度训练 混合精度训练
PPLCNet PPLCNet_x0_5 混合精度训练 混合精度训练
PPLCNet PPLCNet_x0_75 混合精度训练 混合精度训练
PPLCNet PPLCNet_x1_0 混合精度训练 混合精度训练
PPLCNet PPLCNet_x1_5 混合精度训练 混合精度训练
PPLCNet PPLCNet_x2_0 混合精度训练 混合精度训练
PPLCNet PPLCNet_x2_5 混合精度训练 混合精度训练
PPLCNetV2 PPLCNetV2_base 混合精度训练 混合精度训练
ResNet ResNet50 混合精度训练 混合精度训练
ResNet ResNet50_vd 混合精度训练 混合精度训练
SwinTransformer SwinTransformer_tiny_patch4_window7_224 混合精度训练 混合精度训练
  • 推理相关：
算法名称 模型名称 device_CPU device_GPU batchsize
MobileNetV3 MobileNetV3_large_x1_0 支持 支持 1
PP-ShiTu GeneralRecognition_PPLCNet_x2_5 支持 支持 1
PP-ShiTuV2 GeneralRecognitionV2_PPLCNetV2_base 支持 支持 1
PPHGNet PPHGNet_small 支持 支持 1
PPHGNet PPHGNet_tiny 支持 支持 1
PPLCNet PPLCNet_x0_25 支持 支持 1
PPLCNet PPLCNet_x0_35 支持 支持 1
PPLCNet PPLCNet_x0_5 支持 支持 1
PPLCNet PPLCNet_x0_75 支持 支持 1
PPLCNet PPLCNet_x1_0 支持 支持 1
PPLCNet PPLCNet_x1_5 支持 支持 1
PPLCNet PPLCNet_x2_0 支持 支持 1
PPLCNet PPLCNet_x2_5 支持 支持 1
PPLCNetV2 PPLCNetV2_base 支持 支持 1
ResNet ResNet50 支持 支持 1
ResNet ResNet50_vd 支持 支持 1
SwinTransformer SwinTransformer_tiny_patch4_window7_224 支持 支持 1

2. 测试流程

以下测试流程以 PPLCNet_x1_0 模型为例。

2.1 准备环境

  • 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。

    # 需要安装2.2及以上版本的Paddle
# 安装GPU版本的Paddle
python3.7 -m pip install paddlepaddle-gpu==2.2.0
# 安装CPU版本的Paddle
python3.7 -m pip install paddlepaddle==2.2.0

  • 安装PaddleSlim

    python3.7 -m pip install paddleslim==2.2.0

  • 安装依赖

    python3.7 -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

  • 安装AutoLog（规范化日志输出工具）

    python3.7 -m pip install https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl

2.2 准备数据和模型

bash test_tipc/prepare.sh test_tipc/configs/PPLCNet/PPLCNet_x1_0_train_linux_gpu_normal_amp_infer_python_linux_gpu_cpu.txt lite_train_lite_infer

2.3 功能测试

测试方法如下所示，希望测试不同的模型文件，只需更换为自己的参数配置文件，即可完成对应模型的测试。

bash test_tipc/test_train_inference_python.sh ${your_params_file} lite_train_lite_infer

以PPLCNet_x1_0的Linux GPU/CPU 混合精度训练推理测试为例，命令如下所示。

bash test_tipc/test_train_inference_python.sh test_tipc/configs/PPLCNet/PPLCNet_x1_0_train_linux_gpu_normal_amp_infer_python_linux_gpu_cpu.txt lite_train_lite_infer

输出结果如下，表示命令运行成功。

Run successfully with command - PPLCNet_x1_0 - python3.7 tools/train.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.seed=1234 -o DataLoader.Train.sampler.shuffle=False -o DataLoader.Train.loader.num_workers=0 -o DataLoader.Train.loader.use_shared_memory=False -o AMP.scale_loss=65536 -o AMP.use_dynamic_loss_scaling=True -o AMP.level=O2 -o Optimizer.multi_precision=True -o Global.eval_during_train=False -o Global.device=gpu  -o Global.output_dir=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null -o Global.epochs=2     -o DataLoader.Train.sampler.batch_size=8   !
Run successfully with command - PPLCNet_x1_0 - python3.7 tools/eval.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.pretrained_model=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null/PPLCNet_x1_0/latest -o Global.device=gpu  !
Run successfully with command - PPLCNet_x1_0 - python3.7 tools/export_model.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.pretrained_model=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null/PPLCNet_x1_0/latest -o Global.save_inference_dir=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null!
Run successfully with command - PPLCNet_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=True -o Global.use_tensorrt=False -o Global.use_fp16=False -o Global.inference_model_dir=.././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null -o Global.batch_size=1 -o Global.infer_imgs=../dataset/ILSVRC2012/val -o Global.benchmark=False > .././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/infer_gpu_usetrt_False_precision_False_batchsize_1.log 2>&1 !
Run successfully with command - PPLCNet_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=False -o Global.enable_mkldnn=False -o Global.cpu_num_threads=6 -o Global.inference_model_dir=.././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0_autocast_null -o Global.batch_size=1 -o Global.infer_imgs=../dataset/ILSVRC2012/val -o Global.benchmark=False   > .././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/infer_cpu_usemkldnn_False_threads_6_batchsize_1.log 2>&1 !
Run successfully with command - PPLCNet_x1_0 - python3.7 -m paddle.distributed.launch --gpus=0,1 tools/train.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.seed=1234 -o DataLoader.Train.sampler.shuffle=False -o DataLoader.Train.loader.num_workers=0 -o DataLoader.Train.loader.use_shared_memory=False -o AMP.scale_loss=65536 -o AMP.use_dynamic_loss_scaling=True -o AMP.level=O2 -o Optimizer.multi_precision=True -o Global.eval_during_train=False -o Global.device=gpu -o Global.output_dir=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null -o Global.epochs=2     -o DataLoader.Train.sampler.batch_size=8  !
Run successfully with command - PPLCNet_x1_0 - python3.7 tools/eval.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.pretrained_model=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null/PPLCNet_x1_0/latest -o Global.device=gpu  !
Run successfully with command - PPLCNet_x1_0 - python3.7 tools/export_model.py -c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml -o Global.pretrained_model=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null/PPLCNet_x1_0/latest -o Global.save_inference_dir=./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null!
Run successfully with command - PPLCNet_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=True -o Global.use_tensorrt=False -o Global.use_fp16=False -o Global.inference_model_dir=.././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null -o Global.batch_size=1 -o Global.infer_imgs=../dataset/ILSVRC2012/val -o Global.benchmark=False > .././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/infer_gpu_usetrt_False_precision_False_batchsize_1.log 2>&1 !
Run successfully with command - PPLCNet_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=False -o Global.enable_mkldnn=False -o Global.cpu_num_threads=6 -o Global.inference_model_dir=.././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/amp_train_gpus_0,1_autocast_null -o Global.batch_size=1 -o Global.infer_imgs=../dataset/ILSVRC2012/val -o Global.benchmark=False   > .././test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/infer_cpu_usemkldnn_False_threads_6_batchsize_1.log 2>&1 !

该信息可以在运行log中查看，以PPLCNet_x1_0为例，log位置在./test_tipc/output/PPLCNet_x1_0/lite_train_lite_infer/results_python.log。

如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。