Slimmable Networks 项目使用与启动教程

1. 项目介绍

Simmable Networks 是一个开源框架，专注于在图像分类和 COCO 检测任务上进行可瘦身的训练。该框架能够实现灵活的精度和效率权衡，允许同一模型在不同的宽度（活跃通道数）下运行。

2. 项目快速启动

在开始之前，请确保您的环境中已安装以下依赖：

• Python 3
• PyTorch 1.0
• Torchvision 0.2.1
• PyYAML 3.13

首先，您需要准备 ImageNet-1k 数据集，按照 PyTorch 的示例进行准备。

接着，可以通过以下命令启动训练：

python train.py app:{apps/***.yml}

其中 {apps/***.yml} 是您的配置文件。在配置文件中，您需要取消注释 test_only 和 pretrained 字段，并自行管理可见的 GPU。

若要进行测试，您需要将预训练的模型下载到 logs 目录下，然后直接运行上述命令。

3. 应用案例和最佳实践

应用案例

• S-MobileNet v1/v2: 在不同的宽度配置下，这些模型可以展示不同的精度和计算效率。
• S-ShuffleNet: 在宽度减少时，模型仍然可以保持一定的性能。
• S-ResNet-50: 作为经典的残差网络，通过可瘦身的特性，可以在不同的计算预算下调整性能。

最佳实践

• 可瘦身训练: 在 train.py 文件中，通过 switchable batchnorm 和 slimmable layers 实现可瘦身训练。
• 性能权衡: 在模型设计和训练过程中，根据具体的应用场景进行精度和效率的权衡。

4. 典型生态项目

目前，Simmable Networks 的生态项目包括：

• AutoSlim: 用于一次性的架构搜索，自动确定通道数目。
• Universally Slimmable Networks: 允许模型在任意宽度下运行，提供了更广泛的灵活性。

以上是 Slimmable Networks 的使用与启动教程，希望对您有所帮助。