摘要：本次实践基于 mobilenetV2 实现猫狗图像分类，贯穿了数据集获取及处理、预训练模型微调及迁移、端侧部署及推理等环节和知识点，体会到了 MindSpore 简单的开发体验和全场景快速部署的魅力。
- startTime： 2021年1月23日00:43:22
- endTime: 2021年1月23日11:34:44
(包含学习、睡觉、吃饭、爬坑、水文……的时间)
了解MindSpore开源生态
发现一个小秘密。 github 上多三个仓库，是什么呢？
此处应是 github 过滤的 bug ，实际上mindspore-ai 有 15 个仓库， 比 gitee 多出来的三个是：
mindspore-21-days-tutorials、 mail_templates、 infrastructure
别看这 3 个不起眼的仓库，在社区建设方面却大有作为。比如，mindspore-21-days-tutorials 是我们之前参加 21 天实战营的参考代码和指导文档，多么宝贵的学习资料；另外两个是 MindSpore 的开源基础建设，其中 infrastructure 包含了用于配置 Mindspore 社区的所有必需 Dockerfile 和 YAML 文件，并借助 Github 的 Action 定时自动同步 Gitee 的代码到 Github 。
训练时长截图
手机识别截图
学习总结
在学习之前我以为我会了，但真正实践起来还是磕磕碰碰，所有的代码似曾相识，都是 26 个字母加一些符号组成，但真正去理解还是发现基本功不够：一是不知道怎么写，二是不知道为什么要这么写。尽管如此，我大概理顺了整个实践流程：训练猫狗图像分类模型(云端) --> 手机端推理及应用 --> 从 “1” 开始 Fine Tune 模型（本地） --> 手机端验证 ，当然作为学渣，整个操作过程肯定不止一个小时， 深刻体会到“眼睛：学会了，脑子：学废了！”，因此必须借此帖记录一下“学废了”的过程：
目的
本次实践基于 mobilenetV2 实现猫狗图像分类，贯穿了数据集获取及处理、预训练模型微调及迁移、端侧部署及推理等环节和知识点，体会到了 MindSpore 简单的开发体验和全场景快速部署的魅力。
项目目录
MindSporePetClassification
├─ ADB // 支持手机与电脑传递文件工具
│ ├─ adb.exe
│ ├─ AdbWinApi.dll
│ ├─ AdbWinUsbApi.dll
│ └─ fastboot.exe
├─ code // Fine tune训练代码及数据集
│ ├─ dataset
│ │ ├─ PetImages
│ │ │ ├─ eval
│ │ │ │ ├─ Cat
│ │ │ │ └─ Dog
│ │ │ ├─ train
│ │ │ │ ├─ Cat
│ │ │ │ └─ Dog
│ │ ├─ MSR-LA - 3467.docx
│ │ └─ readme[1].txt
│ ├─ src
│ │ ├─ __pycache__
│ │ │ ├─ args.cpython-37.pyc
│ │ │ ├─ config.cpython-37.pyc
│ │ │ ├─ dataset.cpython-37.pyc
│ │ │ ├─ lr_generator.cpython-37.pyc
│ │ │ ├─ mobilenetV2.cpython-37.pyc
│ │ │ ├─ models.cpython-37.pyc
│ │ │ └─ utils.cpython-37.pyc
│ │ ├─ args.py
│ │ ├─ config.py
│ │ ├─ dataset.py
│ │ ├─ lr_generator.py
│ │ ├─ mobilenetV2.py
│ │ ├─ models.py
│ │ └─ utils.py
│ ├─ mobilenetV2.ckpt // 预训练模型文件
│ ├─ preprocessing_dataset.py // 预先处理数据集脚本
│ └─ train.py // 主训练脚本
├─ converter // 转换工具MindSpore Lite Converter
│ ├─ converter_lite.exe
│ ├─ libgcc_s_seh-1.dll
│ ├─ libglog.dll
│ ├─ libmindspore_gvar.dll
│ ├─ libssp-0.dll
│ ├─ libstdc++-6.dll
│ └─ libwinpthread-1.dll
└─ kagglecatsanddogs_3367a.zip依赖安装
本次实践依赖opencv-python 和 matplotlib，一个用来处理图形比如打印图片和嵌入文字，一个用来将数据集以可视化图片的形式展现出来。
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple数据预处理
主要删除一些不符合要求(如非JPEG格式)的图片并分割 train 和 eval 数据集，默认9:1：
python preprocessing_dataset.py 您的路径kagglecatsaData to Dragnddogs_3367a.zip
Fine tune
执行Fine tune脚本train.py，并生成模型文件：
python train.py
此时会弹窗提示6张图片，这是因为脚本会在正式训练前从数据集中抽取6张图片载入当前模型文件，需要手动关闭才能继续，这是 AI 很傻，全都识别成了 Dog 。
当然，我这边由于机器的原因，没少踩坑，这不“出师未捷身先死”，突然的报错把我整蒙了，将所有num_parallel_workers参数设置为4之后，继续训练！
$ python train.py
start cache feature!
Traceback (most recent call last):
File "train.py", line 52, in
data, step_size = extract_features(backbone_net, args_opt.dataset_path, config)
File "F:dosomethingsserverlessModelArtsMIndSporeMindSporePetClassificationMindSporePetClassificationcodesrcdataset.py",
line 84, in extract_features
train_dataset = create_dataset(dataset_path=os.path.join(dataset_path, "train"), do_train=True, config=config)
File "F:dosomethingsserverlessModelArtsMIndSporeMindSporePetClassificationMindSporePetClassificationcodesrcdataset.py",
line 41, in create_dataset
ds = de.ImageFolderDataset(dataset_path, num_parallel_workers=8, shuffle=True)
File "C:UsershuqiAppDataLocalProgramsPythonPython37libsite-packagesmindsporedatasetenginevalidators.py", line 51, in new_method
validate_dataset_param_value(nreq_param_int, param_dict, int)
File "C:UsershuqiAppDataLocalProgramsPythonPython37libsite-packagesmindsporedatasetcorevalidator_helpers.py", line 352, in validate_dataset_param_value
check_num_parallel_workers(param_dict.get(param_name))
File "C:UsershuqiAppDataLocalProgramsPythonPython37libsite-packagesmindsporedatasetcorevalidator_helpers.py", line 340, in check_num_parallel_workers
raise ValueError("num_parallel_workers exceeds the boundary between 1 and {}!".format(cpu_count()))
ValueError: num_parallel_workers exceeds the boundary between 1 and 4! 这一步耗时就和本地机器的性能有关了，我的粗粮渣渣机大概跑废了。趁着训练的空档，学习了一些代码。作为新晋调参学徒，我大概知道参数和配置在codesrcargs.py和codesrcconfig.py这两个文件，而数据的加载在codesrcdataset.py这个文件处理，codesrcmobilenetV2.py定义了模型，codesrcmodels.py这个文件读取和保存模型并打印输出训练日志。
训练完成会，又会调用predict_from_net方法来显示预测的图片和标签，这回我们发现 AI 挺棒的，全部识别正确！ 当我满怀信心点击关闭的时候，以为程序立马会给我一个mobilenetv2.mindir,结果我又蒙了，返回了一串错误日志！！！
early stop! the best epoch is 2
train total cost 4141.2663 s
Traceback (most recent call last):
File "train.py", line 81, in
export_mindir(net, "mobilenetv2")
File "F:dosomethingsserverlessModelArtsMIndSporeMindSporePetClassificationMindSporePetClassificationcodesrcutils.py", line 93, in export_mindir
export(net, Tensor(input_np), file_name=path, file_format='MINDIR')
File "C:UsershuqiAppDataLocalProgramsPythonPython37libsite-packagesmindsporetrainserialization.py", line 535, in export
Validator.check_file_name_by_regular(file_name)
File "C:UsershuqiAppDataLocalProgramsPythonPython37libsite-packagesmindspore_checkparam.py", line 438, in check_file_name_by_regular
target, prim_name, reg, flag))
ValueError: 'F:dosomethingsserverlessModelArtsMIndSporeMindSporePetClassificationMindSporePetClassificationcodemobilenetv2.mindir' is illegal, it should be match regular'^[0-9a-zA-Z_-./]+$' by flags'256' 一开始我以为是文件层级太深了，将文件目录迁移到盘的根目录，重来重来！好在不需要再次加载数据集了，不然又得漫长的等待。 满怀信心结果又被“啪啪啪”打脸，之后群里请教一遍之后，王辉老师建议我把路径改成文件名再试试，果然立马奏效~
- path = os.path.abspath(f"{name}.mindir")
+ path = name终于如愿以偿，codemobilenetv2.mindir她来了！
手机端推理及应用
- 训练模型转换
将.mindir模型文件转换成.ms文件，.ms文件可以导入端侧设备并基于MindSpore端侧框架训练。
F:MindSporePetClassificationconverter>call converter_lite --fmk=MINDIR --modelFile=f:MindSporePetClassificationcodemobilenetv2.mindir --outputFile=pet
我们可以下载 MindSpore 官方提供的 Android APP 源码： https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/lite/pet_classification
或者直接下载打包好的 APP 安装到手机： https://download.mindspore.cn/model_zoo/official/lite/apk/pet/petclassification.apk
先体验下预训练模型的识别效果：
接着我们把转换好的模型移动到手机端的/sdcard/PetClassification，这里用到的是 ADB 工具：需要确保手机已开启开发者模式并打开文件传输
F:MindSporePetClassificationconverter>adb push f:MindSporePetClassificationconverterpet.ms /sdcard/PetClassification
* daemon not running; starting now at tcp:5037
* daemon started successfully
f:MindSporePetClassificationconverterpet.ms: 1 file pushed, 0 skipped. 43.4 MB/s (8900552 bytes in 0.196s)再试试识别效果：
对本次实践 APP 端代码感兴趣的小伙伴可以直接去阅读源码： https://gitee.com/mindspore/mindspore/blob/master/model_zoo/official/lite/pet_classification/app/src/main/java/com/mindspore/classificationforpet/widget/MainActivity.java
本文分享自华为云社区《Copy攻城狮1小时入门AI开发工程师》，原文作者：胡琦。