开始使用¶

请事先参考安装指南配置运行环境，并根据数据说明文档准备ImageNet1k数据，本章节下面所有的实验均以ImageNet1k数据集为例。

一、设置环境变量¶

设置PYTHONPATH环境变量：

export PYTHONPATH=path_to_PaddleClas:$PYTHONPATH

二、模型训练与评估¶

PaddleClas 提供模型训练与评估脚本：tools/train.py和tools/eval.py

2.1 模型训练¶

按照如下方式启动模型训练。

# PaddleClas通过launch方式启动多卡多进程训练
# 通过设置FLAGS_selected_gpus 指定GPU运行卡号

python -m paddle.distributed.launch \
    --selected_gpus="0,1,2,3" \
    tools/train.py \
        -c ./configs/ResNet/ResNet50_vd.yaml

输出日志示例如下：

epoch:0    train    step:13    loss:7.9561    top1:0.0156    top5:0.1094    lr:0.100000    elapse:0.193

可以通过添加-o参数来更新配置：

python -m paddle.distributed.launch \
    --selected_gpus="0,1,2,3" \
    tools/train.py \
        -c ./configs/ResNet/ResNet50_vd.yaml \
        -o use_mix=1 \
	--vdl_dir=./scalar/

输出日志示例如下：

epoch:0    train    step:522    loss:1.6330    lr:0.100000    elapse:0.210

也可以直接修改模型对应的配置文件更新配置。具体配置参数参考配置文档。

训练期间可以通过VisualDL实时观察loss变化，启动命令如下：

visualdl --logdir ./scalar --host <host_IP> --port <port_num>

2.2 模型微调¶

30分钟玩转PaddleClas中包含大量模型微调的示例，可以参考该章节在特定的数据集上进行模型微调。

2.3 模型评估¶

python tools/eval.py \
    -c ./configs/eval.yaml \
    -o ARCHITECTURE.name="ResNet50_vd" \
    -o pretrained_model=path_to_pretrained_models

可以更改configs/eval.yaml中的ARCHITECTURE.name字段和pretrained_model字段来配置评估模型，也可以通过-o参数更新配置。

注意： 加载预训练模型时，需要指定预训练模型的前缀，例如预训练模型参数所在的文件夹为output/ResNet50_vd/19，预训练模型参数的名称为output/ResNet50_vd/19/ppcls.pdparams，则pretrained_model参数需要指定为output/ResNet50_vd/19/ppcls，PaddleClas会自动补齐.pdparams的后缀。

三、模型推理¶

PaddlePaddle提供三种方式进行预测推理，接下来介绍如何用预测引擎进行推理：首先，对训练好的模型进行转换：

python tools/export_model.py \
    --model=模型名字 \
    --pretrained_model=预训练模型路径 \
    --output_path=预测模型保存路径

之后，通过预测引擎进行推理：

python tools/infer/predict.py \
    -m model文件路径 \
    -p params文件路径 \
    -i 图片路径 \
    --use_gpu=1 \
    --use_tensorrt=True

更多使用方法和推理方式请参考分类预测框架。