ResNet_v1_50（图像分类/TensorFlow/Ascend910训练）

适用的案例

• 图像分类—ResNeSt理论与实践

适用的数据集

• flowers-5-manifest(图像分类)

• flowers-5-raw-no-split(图像分类)

• flowers-5-raw-split(图像分类)

• 10类常见美食

• 生活垃圾分类

• 花卉分类

• 猫狗分类

• 23类美食

• 4类美食

OBS原始数据集格式

仅支持切分的情况

your_local_path/flowers
    |- train --------------- 训练集
		|- classA   ------------- 类别A
			|- A_0.jpg
			|- A_1.jpg
			|- ...
			|- A_n.jpg
		|- classB    ------------ 类别B
			|- B_0.jpg
			|- B_1.jpg
			|- ...
			|- B_n.jpg
		|- classC --------------- 类别C
			|- C_0.jpg
			|- C_1.jpg
			|- ...
			|- C_n.jpg
		以此类推
		...
		
	|- eval --------------- 测试集
		|- classA   ------------- 类别A
			|- A_0.jpg
			|- A_1.jpg
			|- ...
			|- A_n.jpg
		|- classB    ------------ 类别B
			|- B_0.jpg
			|- B_1.jpg
			|- ...
			|- B_n.jpg
		|- classC --------------- 类别C
			|- C_0.jpg
			|- C_1.jpg
			|- ...
			|- C_n.jpg
		以此类推
		...

1. 概述

该模型为ResNet系列，深度为50层，此模型基于Deep Residual Learning for Image Recognition中提出的模型结构实现。可以用图像分类任务，比如猫狗分类、花卉分类等等。用户提供一系列带有标注的数据集，该算法会载入在ImageNet-1000上的预训练模型，在用户数据集上做迁移学习。使用TensorFlow和Ascend910芯片进行训练，训练后生成的模型可直接在ModelArts平台部署为在线服务，支持使用Ascend 310进行推理。

2. 训练

2.1. 算法基本信息

• 适用场景：图像分类

• 支持的框架引擎：Ascend-Powered-Engine tensorflow_1.15-cann_5.1.0-py_3.7-euler_2.8.3-aarch64

• 算法输入：

  • ModelArts数据管理平台发布的“图像分类”数据集（数据集必须设置“训练验证比例“），建议用户以8:2或9:1的比例进行切分，即“训练验证比例“设置为0.8或0.9。
  • ImageNet预训练模型，在ImageNet上的top正确率为top-1: 74.6%, top-5: 92.0%。

• 算法输出：

  • 用于TF-Serving推理的saved_model模型，P4推理速度为“12.5ms/pic“
  • 用于转换Ascend格式模型的Frozen_PB模型，Ascend-310推理速度为“7.6ms/pic“

2.2. 训练参数说明

2.3. 训练输出文件

训练完成后的输出文件如下

训练输出目录
  |- om
    |- model
      |- index
      |- customize_service_d310.py
  |- model
    |- variables
      |- variables.data-00000-of-00001
      |- variables.index
    |- customize_service.py
    |- index
    |- config.json
    |- saved_model.pb
  |- frozen_graph
    |- insert_op_conf.cfg
    |- model.pb
  |- checkpoint
  |- model.ckpt-xxx
  |- ...
  |- best_checkpoint
  |- best_model.ckpt-xxx
  |- ...
  |- events...
  |- graph.pbtxt

3. Ascend310推理

3.1. 模型转换参数配置

• 转换模板： TF-FrozenGraph-To-Ascend-C32
• 转换输入目录： 选择训练输出目录中的frozen_graph
• 转换输出目录： 选择训练输出目录中的om/model
• 输入张量形状： images:1,224,224,3
• 输入数据格式： NHWC
• 转换输出节点： logits:0

剩余的参数均使用默认值

3.2. 模型导入参数配置

• 从模板中选择： ARM-Ascend模板
• 模型目录： 选择训练输出目录中的om/model
• 输入输出模式： 预置图像处理模式

4. GPU/CPU推理

待上线。

5. 案例指导

Ascend 910训练+Ascend 310推理，案例指导请参见：https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0026.html