5.5 KiB
5.5 KiB
NPU (华为昇腾)
使用方法
首先，请参考链接安装带有 NPU 支持的 MMCV 和链接安装 MMEngine。
使用如下命令，可以利用 8 个 NPU 在机器上训练模型（以 ResNet 为例）：
bash tools/dist_train.sh configs/cspnet/resnet50_8xb32_in1k.py 8
或者，使用如下命令，在一个 NPU 上训练模型（以 ResNet 为例）：
python tools/train.py configs/cspnet/resnet50_8xb32_in1k.py
经过验证的模型
| Model | Top-1 (%) | Top-5 (%) | Config | Download |
|---|---|---|---|---|
| ResNet-50 | 76.40 | 93.21 | config | model | log |
| ResNetXt-32x4d-50 | 77.48 | 93.75 | config | model | log |
| HRNet-W18 | 77.06 | 93.57 | config | model | log |
| ResNetV1D-152 | 79.41 | 94.48 | config | model | log |
| SE-ResNet-50 | 77.65 | 93.74 | config | model |log |
| ShuffleNetV2 1.0x | 69.52 | 88.79 | config | model | log |
| MobileNetV2 | 71.74 | 90.28 | config | model | log |
| MobileNetV3-Small | 67.09 | 87.17 | config | model | log |
| *CSPResNeXt50 | 77.25 | 93.46 | config | model | log |
| *EfficientNet-B4 | 75.73 | 92.9100 | config | model |log |
| **DenseNet121 | 72.53 | 90.85 | config | model | log |
注意:
- 如果没有特别标记，NPU 上的结果与使用 FP32 的 GPU 上的结果结果相同。
- (*) 这些模型的训练结果低于相应模型中自述文件上的结果，主要是因为自述文件上的结果直接是 timm 训练得出的权重，而这边的结果是根据 mmcls 的配置重新训练得到的结果。GPU 上的配置训练结果与 NPU 的结果相同。
- (**)这个模型的精度略低，因为 config 是 4 张卡的配置，我们使用 8 张卡来运行，用户可以调整超参数以获得最佳精度结果。
以上所有模型权重及训练日志均由华为昇腾团队提供