海光 DCU 基于 PaddleX 的使用指南

环境准备

环境说明

  • 本教程介绍如何基于海光 DCU 进行 ResNet50 / DeepLabv3p 等不同领域模型的训练,总共需要 4 卡进行训练

  • 考虑到环境差异性,我们推荐使用教程提供的标准镜像完成环境准备:

    • 镜像链接: registry.baidubce.com/device/paddle-dcu:dtk23.10.1-kylinv10-gcc73-py310

环境安装

  1. 安装 PaddlePaddle

该命令会自动安装飞桨主框架每日自动构建的 nightly-build 版本

由于 dcu 代码位于飞桨主框架中,因此我们不需要安装额外的 Custom Device 包

python -m pip install --pre paddlepaddle-dcu -i https://www.paddlepaddle.org.cn/packages/nightly/dcu/
  1. 安装 PaddleX 代码库

git clone https://github.com/PaddlePaddle/PaddleX.git

# 如果速度较慢,可以考虑从 gitee 拉取
# git clone https://gitee.com/paddlepaddle/PaddleX.git

cd PaddleX

# 安装 PaddleX whl
# -e:以可编辑模式安装,当前项目的代码更改,都会直接作用到已经安装的 PaddleX Wheel
pip install -e .

基于 PaddleX 训练 ResNet50

一、安装 PaddleX 依赖

# 跳转到 PaddleX 根目录下
cd /path/to/paddlex

# 安装 PaddleX 相关依赖,由于我们使用的是图像分类模型,因此安装图像分类库
paddlex --install PaddleClas

# 完成安装后会有如下提示:
# All packages are installed.

二、数据准备

为了快速上手验证,我们基于 flowers 102 数据集进行快速体验:

  1. 下载数据集

# 跳转到 PaddleX 根目录下
cd /path/to/paddlex

# 下载并解压数据
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/cls_flowers_examples.tar -P ./dataset
tar -xf ./dataset/cls_flowers_examples.tar -C ./dataset/
  1. 数据校验

PaddleX 支持对数据集进行校验,确保数据集格式符合 PaddleX 的相关要求。同时在数据校验时,能够对数据集进行分析,统计数据集的基本信息。
python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=./dataset/cls_flowers_examples

# 命令运行成功后会在 log 中打印出 Check dataset passed ! 信息

更多关于 PaddleX 数据集说明的内容,可以查看 PaddleX 数据集校验

三、模型训练

进入 PaddleX 目录下,执行如下命令启动 4 卡 DCU(0 ~ 3 号卡)训练,其中:

  • 参数 -o Global.device 指定的是即将运行的设备,这里需要传入的是 gpu:0,1,2,3 ,通过指定该参数,PaddleX 调用飞桨的设备指定接口 paddle.set_device 来指定运行设备为 gpu ,在进行模型训练时,飞桨将自动调用 dcu 算子用于执行模型计算。关于设备指定的更多细节,可以参考官方 api paddle.set_device

  • 参数 -c paddlex/configs/image_classification/ResNet50.yaml 表示读取指定目录下的配置文件,配置文件中指定了模型结构,训练超参等所有训练模型需要用到的配置,该文件中指定的模型结构为 ResNet50

python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=./dataset/cls_flowers_examples \
    -o Global.output=resnet50_output \
    -o Global.device="gpu:0,1,2,3"

上述命令会在 PaddleX 目录下产生一个 resnet50_output/ 目录,该目录会存放训练过程中的模型参数

四、模型推理

基于 PaddleInference 推理

训练完成后,最优权重放在 resnet50_output/best_model/ 目录下,其中 inference.pdiparamsinference.pdiparams.infoinference.pdmodel 3 个文件为静态图文件,用于推理使用,使用如下命令进行推理

python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
    -o Global.mode=predict \
    -o Predict.model_dir="./resnet50_output/best_model" \
    -o Predict.input_path="https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_image_classification_001.jpg" \
    -o Global.device="gpu:0"

转换 ONNX 模型

如果您有额外的部署需求需要基于 ONNX 实现,我们也提供了专用的工具用于导出 ONNX 模型,参考如下步骤,即可将第一步导出的静态图模型转换为 ONNX 模型:

a. 安装环境

# 安装 paddle2onnx,该工具支持将 PaddleInference 模型转换为 ONNX 格式
python -m pip install paddle2onnx

b. 模型转换

paddle2onnx --model_dir=./resnet50_output/best_model/ \
    --model_filename=inference.pdmodel \
    --params_filename=inference.pdiparams \
    --save_file=./resnet50_output/best_model/inference.onnx \
    --enable_onnx_checker=True

该命令会在 resnet50_output/best_model 目录下生成 inference.onnx 文件

基于 PaddleX 训练 DeepLabv3+

一、安装 PaddleX 依赖

# 跳转到 PaddleX 根目录下
cd /path/to/paddlex

# 安装 PaddleX 相关依赖,由于我们使用的是图像分割模型,因此安装图像分割库
paddlex --install PaddleSeg

# 完成安装后会有如下提示:
# All packages are installed.

二、数据准备

为了快速上手验证,我们基于 PaddleX 准备的 Demo 数据集进行快速体验:

  1. 下载数据集

# 跳转到 PaddleX 根目录下
cd /path/to/paddlex

# 下载并解压数据
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/seg_optic_examples.tar -P ./dataset
tar -xf ./dataset/seg_optic_examples.tar -C ./dataset/
  1. 数据校验

# PaddleX 支持对数据集进行校验,确保数据集格式符合 PaddleX 的相关要求。同时在数据校验时,能够对数据集进行分析,统计数据集的基本信息。
python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=./dataset/seg_optic_examples

# 命令运行成功后会在 log 中打印出 Check dataset passed ! 信息

更多关于 PaddleX 数据集说明的内容,可以查看 PaddleX 数据集校验

三、模型训练

进入 PaddleX 目录下,执行如下命令启动 4 卡 DCU(0 ~ 3 号卡)训练,其中:

  • 参数 -o Global.device 指定的是即将运行的设备,这里需要传入的是 gpu:0,1,2,3 ,通过指定该参数,PaddleX 调用飞桨的设备指定接口 paddle.set_device 来指定运行设备为 gpu ,在进行模型训练时,飞桨将自动调用 dcu 算子用于执行模型计算。关于设备指定的更多细节,可以参考官方 api paddle.set_device

  • 参数 -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml 表示读取指定目录下的配置文件,配置文件中指定了模型结构,训练超参等所有训练模型需要用到的配置,该文件中指定的模型结构为 Deeplabv3_Plus-R50

python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
    -o Global.mode=train \
    -o Global.dataset_dir=./dataset/seg_optic_examples \
    -o Global.output=deeplabv3p_output \
    -o Global.device="gpu:0,1,2,3"

上述命令会在 PaddleX 目录下产生一个 deeplabv3p_output/ 目录,该目录会存放训练过程中的模型参数

四、模型推理

基于 PaddleInference 推理

训练完成后,最优权重放在 deeplabv3p_output/best_model/ 目录下,其中 model/inference.pdiparamsmodel/inference.pdiparams.infomodel/inference.pdmodel 3 个文件为静态图文件,用于推理使用,使用如下命令进行推理

python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
    -o Global.mode=predict \
    -o Predict.model_dir="./deeplabv3p_output/best_model/model/" \
    -o Predict.input_path="https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_semantic_segmentation_001.jpg" \
    -o Global.device="gpu:0"