【模型复现 】超简单复现轻量架构网络模型 ＜Shufflenet—v2＞

【模型复现 】超简单复现轻量架构网络模型《Shufflenet—v2》

极链AI云
关注极链AI云公众号，学习更多知识！

---

一、模型详情

1.模型简介

近来，深度CNN网络如ResNet和DenseNet，已经极大地提高了图像分类的准确度。但是除了准确度外，计算复杂度也是CNN网络要考虑的重要指标，过复杂的网络可能速度很慢，一些特定场景如无人车领域需要低延迟。另外移动端设备也需要既准确又快的小模型。为了满足这些需求，一些轻量级的CNN网络如MobileNet和ShuffleNet被提出，它们在速度和准确度之间做了很好地平衡。今天我们要讲的是ShuffleNetv2，它是旷视最近提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。

2.关键词

高复杂度、低元素级运算

3.应用场景

图像预测

4.模型结构

5.论文地址

https://arxiv.org/pdf/1807.11164.pdf

6.代码地址

https://github.com/TropComplique/shufflenet-v2-tensorflow

---

二、效果展示

---

三、平台环境准备

1.打开极链AI云平台

极链AI云

2.点击模型

3.选择并创建实例

4.使用jupyterlab连接

四、模型复现

1.打开终端

2.环境配置

输入以下代码，执行配置命令

cd ..
cd ..
# 进入根目录
cp -r /datasets/ImageNet-1000 ../../user-data
# 将复现所需的公开数据集复制到指定文件夹下
cp -r modelsets/shufflenet/shufflenet_v2_batch1024_imagenet_20200812-5bf4721e.pth ../../user-data
# 将复现所需的预训练权重文件复制到指定文件夹下

3.模型推断

执行以下代码，执行推断命令

python inference.py
# 实际标签为211，推断标签为363。可通过不断提高训练的批次（epoch）降低损失率（loss）来提高模型检测的精度。

4.模型训练

执行以下代码，执行训练命令

python train.py

5.模型测试

在默认路径下执行以下代码

python test.py