代码拉取完成，页面将自动刷新
ENGLISH | 简体中文
MgNet是一个统一的模型，它可以同时利用卷积神经网络（CNN）的图像分类能力 以及多网格（MG）方法求解离散偏微分方程（PDE）的能力，它的网络架构如下:
论文: He J, Xu J. MgNet: A unified framework of multigrid and convolutional neural network[J]. Science china mathematics, 2019, 62: 1331-1354.
用于训练的数据集和预训练checkpoints文件将会在首次启动时自动下载。
数据集: [cifar10]/[cifar100]/[mnist]
./data目录下，目录结构如下:├── data
│ ├── cifar-10-batches-bin
│ ├── cifar-100-binary
│ ├── t10k-images.idx3-ubyte
│ ├── t10k-labels.idx1-ubyte
│ ├── train-images.idx3-ubyte
│ └── train-labels.idx1-ubyte
您如果需要手动下载数据集或checkpoints文件， 请访问此链接。
通过官网安装好MindSpore和上面需要的数据集后，就可以开始训练和验证如下:
默认:
python train.py
完整命令:
python train.py \
--dataset cifar100 \
--save_ckpt true \
--load_ckpt false \
--save_ckpt_path ./checkpoints \
--load_ckpt_path ./checkpoints/model_300.ckpt \
--load_data_path ./data/cifar-100-binary \
--log_path ./logs \
--print_interval 10 \
--ckpt_interval 2000 \
--num_ite 2 2 2 2 \
--num_channel_u 256 \
--num_channel_f 256 \
--wise_b true \
--batch_size 128 \
--epochs 300 \
--lr 1e-1 \
--download_data mgnet \
--force_download false \
--amp_level O3 \
--device_id 0 \
--mode 0
文件结构如下:
├── mgnet
│ ├── checkpoints # checkpoints文件
│ ├── data # 数据文件
│ │ ├── cifar-10-batches-bin # cifar-10 数据集目录
│ │ ├── cifar-100-binary # cifar-100 数据集目录
│ │ ├── t10k-images.idx3-ubyte # mnist 测试集-图像
│ │ ├── t10k-labels.idx1-ubyte # mnist 测试集-标签
│ │ ├── train-images.idx3-ubyte # mnist 训练集-图像
│ │ └── train-labels.idx1-ubyte # mnist 训练集-标签
│ ├── figures # 图片目录
│ ├── logs # 日志文件
│ ├── src # 源代码目录
│ │ ├── network.py # 网络架构
│ │ └── process.py # 数据处理
│ ├── config.yaml # 超参数配置
│ ├── README.md # 英文模型说明
│ ├── README_CN.md # 中文模型说明
│ ├── train.py # python训练脚本
│ └── eval.py # python评估脚本
train.py中的重要参数如下:
| 参数名 | 含义 | 默认值 |
|---|---|---|
| dataset | 使用的数据集: cifar10, cifar100, 或 mnist | cifar100 |
| save_ckpt | 是否保存checkpoint | true |
| load_ckpt | 是否加载checkpoint | false |
| save_ckpt_path | checkpoint保存路径 | ./checkpoints |
| load_ckpt_path | checkpoint加载路径 | ./checkpoints/model_300.ckpt |
| load_data_path | 数据加载路径 | ./data/cifar-100-binary |
| log_path | 日志保存路径 | ./logs |
| print_interval | 时间与loss打印间隔 | 10 |
| ckpt_interval | checkpoint保存间隔 | 2000 |
| num_ite | 每层的iter数量, 使用 2 2 2 2 或 3 4 5 6 | 2 2 2 2 |
| num_channel_u | u的通道数 | 256 |
| num_channel_f | f的通道数 | 256 |
| wise_b | 不同的grid使用不同的B值 | true |
| lr | 学习率 | 1e-1 |
| epochs | 时期（迭代次数） | 300 |
| batch_size | 批次大小 | 128 |
| download_data | 模型所需数据集与(或)checkpoints | mgnet |
| force_download | 是否强制下载数据 | false |
| amp_level | MindSpore自动混合精度等级 | O0 |
| device_id | 需要设置的设备号 | None |
| mode | MindSpore静态图模式（0）或动态图模式（1） | 0 |
在 GPU/Ascend 上运行
python train.py
经过训练，loss值会输出如下:
# grep "loss:" log
total 10661220 parameters
start training ...
epoch: 0/300, step: 10/390, loss:5.592, interval: 66.312 ms, total: 7.027 s
epoch: 0/300, step: 20/390, loss:6.389, interval: 66.504 ms, total: 7.725 s
epoch: 0/300, step: 30/390, loss:4.639, interval: 83.561 ms, total: 8.464 s
epoch: 0/300, step: 40/390, loss:4.428, interval: 68.359 ms, total: 9.181 s
epoch: 0/300, step: 50/390, loss:4.408, interval: 70.381 ms, total: 9.897 s
...
训练结束后，您仍然可以通过保存在log_path下面的日志文件回顾训练过程，默认为./logs目录中。
模型checkpoint将保存在 save_ckpt_path中，默认为./checkpoints 目录中。
在使用下面的命令进行推理之前，请检查config.yaml中的checkpoint加载路径load_ckpt_path。
在 GPU/Ascend 上运行
python eval.py
您可以通过日志文件log_path查看过程与结果，默认位于./logs 。
结果图片存放于figures_path中，默认位于./figures。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
马建仓 AI 助手