基于PaddleClas复现 MnasNet: Platform-Aware Neural Architecture Search for Mobile

1. 简介

论文提出了移动端的神经网络架构搜索方法，该方法主要有两个思路，首先使用多目标优化方法将模型在实际设备上的耗时融入搜索中，然后使用分解的层次搜索空间，来让网络保持层多样性的同时，搜索空间依然很简洁，能够使得搜索的模型在准确率和耗时中有更好的trade off

1.1 模型结构说明

• 根据MnasNet参考代码复现，val的acc在0.6左右一直上不去。
• 参照mxnet版本，在参考代码的结构上添加一层relu激活函数，此后的模型表现正常

模型网络代码

2. 数据集和复现精度

数据集使用ImageNet 2012的训练数据集，有1000类，训练集图片有1281167张，验证集图片有50000张，大小为144GB
aistudio上的地址为：https://aistudio.baidu.com/aistudio/datasetdetail/79807

2.1 补充说明

存在奇怪的问题，训练时的评估精度与单独评估时的精度不一致。（训练两次都存在该情况） stage2.log中best_model的top1为0.7347，但是用eval.py评估时却达不到这个精度。报告的复现精度以eval.py的为最终结果

Model	Top1
MnasNet-A (torchvision实现)	73.5
MnasNet-A (复现)	73.43

2.1 log信息说明

训练分为两个阶段

1. 用config1训练301epoch，设备Titan XP * 4
2. 加载阶段1的epoch_301权重，用config2训练200epoch，设备aistudio v100 * 4

3. 准备环境

• 框架：PaddlePaddle == 2.2.0

4. 快速开始

4.1克隆本项目

https://github.com/renmada/MnasNet-paddle.git

4.2 下载数据集，放到指定位置

4.3 一阶段训练

# 修改./configs/local/mnasnet_0_2.yaml中的output_dir image_root cls_label_path的路径

python -m paddle.distributed.launch tools/train.py -c ./configs/local/mnasnet_0_2.yaml

4.4 二阶段训练

# 修改./configs/local/mnasnet_0_3.yaml中的output_dir image_root cls_label_path pretrained_model的路径

python -m paddle.distributed.launch tools/train.py -c ./configs/local/mnasnet_0_3.yaml

aistudio一键复现

4.5 相关文件

阶段	log	权重
stage1	stage1.log	epoch_301
stage2	stage2.log	epoch199
eval	eval.log	epoch199

4.6 评估

# 修改eval.yaml中的output_dir image_root cls_label_path pretrained_model的路径

python tools/eval.py -c configs/local/mnasnet_0_3.yaml -o Global.pretrained_model=epoch_199

4.7 预测

# infer.yaml中的infer_imgs image_root cls_label_path pretrained_model的路径

python tools/infer.py -c infer.yaml

[{'class_ids': [281, 287, 285, 282, 286], 'scores': [0.37849, 0.21314, 0.14284, 0.03594, 0.01698], 'file_name': 'demo/cat.jpg', 'label_names': ['tabby, tabby cat', 'lynx, catamount', 'Egyptian cat', 'tiger cat', 'cougar, puma, catamount, mountain lion, painter, panther, Felis concolor']}]```

5 tipc轻量测试

# 准备数据
bash test_tipc/prepare.sh ./test_tipc/config/mnasnet/mnasnet1_0_train_infer_python.txt 'lite_train_lite_infer'
# 运行测试
bash test_tipc/test_train_inference_python.sh ./test_tipc/config/mnasnet/mnasnet1_0_train_infer_python.txt 'lite_train_lite_infer'