- 注：数据在dataset.py中加载。

   └─data
      ├─AwA_data
      │     ├─attribute       #特征向量
      │     ├─wordvector      #词向量
      │     ├─test_googlenet_bn.mat
      │     ├─test_labels.mat
      │     ├─testclasses_id.mat
      │     └─train_googlenet_bn.mat
      └─CUB_data              #结构类似AwA_data

# 安装依赖包
pip install -r requirements.txt

# 将数据集放置在'/data/DEM_data'目录下，重命名并解压
mv data.zip DEM_data.zip
mv ./DEM_data.zip /data
cd /data
unzip DEM_data.zip

#1p example
# 进入脚本目录，训练DEM
sh run_standalone_train_ascend.sh CUB att /data/DEM_data ../output

# 进入脚本目录，评估DEM
sh run_standalone_eval_ascend.sh CUB att /data/DEM_data ../output/train.ckpt

#8p example
sh run_distributed_train_ascend.sh [hccl配置文件,.json格式] CUB att /data/DEM_data

sh run_standalone_eval_ascend.sh CUB att /data/DEM_data ../train_parallel/7/auto_parallel-120_11.ckpt

#注：暂不支持CUB数据集下词向量模式(word)及混合模式(fusion)的训练

├── cv
    ├── DEM
        ├── README.md                    // DEM描述
        ├── README_CN.md                 // DEM中文描述
        ├── requirements.txt             // 需要的包
        ├── scripts
        │   ├──run_distributed_train_ascend.sh        // Ascend 8卡训练
        │   ├──run_standalone_train_ascend.sh         // Ascend单卡训练
        │   └──run_standalone_eval_ascend.sh          // Ascend评估
        ├── src
        │   ├──dataset.py           // 数据集加载
        │   ├──demnet.py            // DEM架构
        │   ├──config.py            // 参数配置
        │   ├──kNN.py               // k近邻算法
        │   ├──kNN_cosine.py        // k近邻cosine算法
        │   ├──accuracy.py          // 计算精度
        │   ├──set_parser.py        // 基本参数
        │   └──utils.py             // 常用函数
        ├── train.py                // 训练脚本
        ├── eval.py                 // 精度验证脚本
        └── export.py               // 推理模型导出脚本

# train.py和set_parser.py中主要参数如下:

--device_target:运行代码的设备, 默认为"Ascend"
--device_id:运行代码设备的编号
--distribute:是否进行分布式训练
--device_num:训练设备数量
--dataset:使用的数据集, 从"AwA", "CUB"中选择
--train_mode:训练模式, 从"att"(attribute), "word"(wordvector), "fusion"中选择
--batch_size:训练批次大小
--interval_step:输出loss值的间隔
--epoch_size:训练轮数
--data_path:数据集所在路径
--save_ckpt:模型保存路径
--file_format:模型转换格式

python train.py --data_path=/YourDataPath --save_ckpt=/YourCkptPath --dataset=[AwA|CUB] --train_mode=[att|word|fusion]
# 或进入./script目录, 运行脚本
sh run_standalone_train_ascend.sh [AwA|CUB] [att|word|fusion] [DATA_PATH] [SAVE_CKPT]
# 单卡示例:
sh run_standalone_train_ascend.sh CUB att /data/DEM_data ../output

# 8卡示例:
sh run_distributed_train_ascend.sh [hccl配置文件,.json格式] CUB att /data/DEM_data

============== Starting Training ==============
epoch: 1 step: 100, loss is 0.24551314
epoch: 2 step: 61, loss is 0.2861852
epoch: 3 step: 22, loss is 0.2151301


...

epoch: 16 step: 115, loss is 0.13285707
epoch: 17 step: 76, loss is 0.15123637

...

python eval.py --data_path=/YourDataPath --save_ckpt=/YourCkptPath --dataset=[AwA|CUB] --train_mode=[att|word|fusion]
# 或进入./script目录, 运行脚本
sh run_standalone_eval_ascend.sh [AwA|CUB] [att|word|fusion] [DATA_PATH] [SAVE_CKPT]
# 示例:
sh run_standalone_eval_ascend.sh CUB att /data/DEM_data ../output/train.ckpt

============== Starting Evaluating ==============
accuracy _ CUB _ att = 0.58984

python export.py --save_ckpt=[CKPT_PATH] --dataset=[AwA|CUB] --train_mode=[att|word|fusion]