MindSpore社区活动：InceptionV3和CIFAR-10的奇遇

InceptionV3模型是谷歌Inception系列里面的第三代模型，相比于其它神经网络模型，Inception网络最大的特点在于将卷积核组合在一起，建立了一个多分支结构，使得网络能够并行地计算。

Inception网络架构的优点更高的表现力：Inception网络具有更高的表现力，即可以在相同的计算资源下获得更好的分类效果。并行计算：通过并行计算，不同分支的计算可以在不同的GPU上进行，并且可以有效地活用多个GPU的计算资源。对计算资源的分配灵活：Inception网络中不同分支的计算量可以通过调整参数来分配不同的计算资源，以获得最佳的性能。降维：Bottleneck层可以有效地减少计算量，提高计算效率。分解到更小的卷积以及空间分解为不对称卷积

数据集使用的数据集：CIFAR-10数据集大小：175M，共10个类、6万张32*32彩色图像训练集：146M，共5万张图像测试集：29M，共1万张图像下载的时候选择binary version环境：CPU windows因此script中是shell脚本是无法直接使用的训练过程修改用到的yaml文件，默认为default_config.yaml文件，训练cifar10数据集时，ds_type: cifar10，训练imagenet数据集时，ds_type: imagenet．因为我使用的是cpu， 存在default_config_cpu.yaml，因此直接修改此文件。CPU:

  bash script/run_standalone_train_cpu.sh DATA_PATH ./ckpt该脚本的内容其实最终还是运行的python代码DATA_DIR=$1

CKPT_PATH=$2

BASE_PATH=$(cd ./"dirname $0" || exit; pwd)
CONFIG_FILE="${BASE_PATH}/../default_config_cpu.yaml"

python ./train.py --config_path=$CONFIG_FILE --platform 'CPU' --dataset_path $DATA_DIR \
--ckpt_path=$CKPT_PATH > log.txt 2>&1 &因此windows上直接把python那一行取出来直接运行就可以。python ./train.py --config_path=D:\ai\models\official\cv\Inception\inceptionv3\default_config_cpu.yaml --platform 'CPU' --dataset_path E:\ai\res50\dataset\cifar-100-python --ckpt_path=D:\ai\models\official\cv\Inception\inceptionv3\ckpt上面已经指定了CPU，为什么还报错了？那估计是引号的问题。python ./train.py --config_path=D:\ai\models\official\cv\Inception\inceptionv3\default_config_cpu.yaml --platform CPU --dataset_path E:\ai\res50\dataset\cifar-100-python --ckpt_path=D:\ai\models\official\cv\Inception\inceptionv3\ckpt去除引号再试试。

去掉后就可以了。

运行特别耗时。

半天也就完成了十几个epoch，于是果断中断。

然后取最后一个ckpt做评估python ../eval.py --config_path=D:\ai\models\official\cv\Inception\inceptionv3\default_config_cpu.yaml --platform CPU --dataset_path E:\ai\res50\dataset\cifar-100-python --checkpoint D:\ai\models\official\cv\Inception\inceptionv3\ckpt\ckpt_0\inceptionv3-rank0-13_468.ckpt

评估的数据集需要自己准备，为方便就直接使用训练集，直接修改下文件名就行。

因为只训练了很少了epoch，因此精度3不高很正常。然后是导出模型。在这里导出onnx试试。python export.py --ckpt_file D:\ai\models\official\cv\Inception\inceptionv3\ckpt\ckpt_0\inceptionv3-rank0-13_468.ckpt --device_target CPU --file_format "ONNX"

提供的脚本确实配置文件的参数，加上后再次导出。

onnx成功导出

然后基于onnx做评估。python eval_onnx.py --config_path=D:\ai\models\official\cv\Inception\inceptionv3\default_config_cpu.yaml --platform=CPU --dataset_path E:\ai\res50\dataset\cifar-100-python

config文件补充onnx_file的配置

最终评估的结果和上面是一致的。