# 系统: Ubuntu 21.04
# 创建conda虚拟环境
conda create -n mmpretrain python=3.8 -y
conda activate mmpretrain
# 配置环境包
conda install pytorch=2.0.1 torchvision=0.15.2 -c pytorch -y
pip install openmim
python -m mim install mmcv==2.0.0
python -m mim install mmengine==0.7.3
pip install future tensorboard # 可视化, 使用tensorboard可视化准确率和loss曲线
# 安装mmpretrain==1.0.0rc7
git clone https://github.com/Sadwy/mlp-cnn
cd mlp-cnn
python setup.py develop- 上述指令安装的是CPU版本的pytorch. 理论上没有显卡的机器也能使用, 足够支持mmPreTrain框架.
python tools/train.py configs/custom/fashion_custom.pyconfigs/custom/fashion_custom.py
- 第46行,
max_epochs设置迭代次数 - 第13行, 选择使用MLP或CNN网络结构
- 第48行,
lr设置学习率 - 第31行和第36行, 修改batch_size (建议两行数值相同)
- 第47-48行, 默认使用的是SGD优化器. 如果使用Adam优化器, 则注释47-48行, 并取消49-59的注释.
mmpretrain/models/backbones/mlp.py 和 mmpretrain/models/backbones/mlp_cnn.py
- 分别对应MLP和CNN的网络设计代码, 可以修改网络内部结构.
训练时输出的信息中有显示 Exp name: {CONFIG_NAME}_{RUN_TIME}, 比如 Exp name: fashion_custom_20230525_131400. 则使用以下指令可视化:
tensorboard --host localhost --load_fast=true --logdir work_dirs/fashion_custom/20230525_131400- 指令中的路径是训练时自动创建的. 其中
fashion_custom和20230525_131400分别是配置文件名称和训练时间, 视情况修改. - 如果报错, 尝试修改指令中参数为
--load_fast=false(Details: issue). 这可能导致部分曲线显示异常.
另外实现了使用FashionMNIST数据集训练其他网络.
# lenet网络
python tools/train.py configs/custom/lenet5_fashion_custom.py
# resnet18网络
python tools/train.py configs/custom/resnet18_8xb32_fashion_custom.py @misc{2023mmpretrain,
title={OpenMMLab's Pre-training Toolbox and Benchmark},
author={MMPreTrain Contributors},
howpublished = {\url{https://github.com/open-mmlab/mmpretrain}},
year={2023}
}