在modelarts中创建mindspore环境,并安装mindvision,并进行深度学习训练(华为)

1.背景:

华为在各大重点大学,都有基于mindspore的深度学习课程,常常会发放代金券供学生们实验并提交作业(我白嫖了NKU的)。一开始我也尝试过colab或者本机PC(windows),但是发现这些环境mindspore环境要么支持地不太好(例如一些mindspore配套的包不能适配),要么就是自己手动安装mindspore过程中,还需要解决一些包冲突问题。总而言之,既然发了代金券,不用白不用。modelarts上实验大体记录:
在这里插入图片描述
实验代码(华为老师布置的作业):
生成式对抗网络 生成二次元头像

2.实验场景:

modelartsNotebook环境下训练生成式对抗网络 生成二次元头像

mindspore官网安装指导
如下:获取安装命令
在这里插入图片描述

注:不推荐在PC(windows)上安装mindspore进行训练,推荐去 modelartsNotebook环境下训练,这也是本文的教程主要正对针对的场景在这里插入图片描述

注:截止2022年4月26日,mindspore对windows环境的支持依旧不太好,仅有windows×86 cpu的少数几个版本可选,而mindspore自研的mindvision包(一个视觉包,很多情况下都是要使用的),仅支持gpu版本,会因此而做无用功

modelarts notebook,mindspore1.5版本,DCGAN训练结果:
在这里插入图片描述
在这里插入图片描述


在colab上也能训练,但是,如果分到了Tesla K80(单核2线程)
那么在安装环境后,还需要:设置num_parallel_workers=1(不然会报错,原因是示例中代码开了多线程(2个以上))
训完结果也是惨不忍睹:
在这里插入图片描述
在这里插入图片描述

### 使用 MindSpore 训练 YOLOv5 模型 #### 配置环境 为了使用MindSpore框架训练YOLOv5模型,首先需要配置合适的运行环境。这通常涉及到创建激活虚拟环境安装必要的依赖库以及设置特定版本的MindSpore。 对于华为云平台上的操作,在完成云端服务器的选择与购买之后,通过访问ModelArts服务来启动实例[^1]。确保所选硬件支持如昇腾Ascend 910这样的高性能处理器以加速计算过程。接着按照官方文档指导完成软件栈部署,包括但不限于Python解释器、CUDA驱动程序等组件的预装工作。 ```bash conda create --name yolo_env python=3.7 -y conda activate yolo_env pip install mindspore-gpu==1.0.0 ``` 以上命令片段展示了如何利用Anaconda工具链快速搭建适用于GPU运算的支持MindSpore的工作空间,指定安装了对应版本的MindSpore包。 #### 数据集准备 构建高质量的数据集是成功的关键之一。针对YOLOv5而言,推荐遵循Pascal VOC标准结构化存储图像及其对应的标注信息。具体来说就是在`VOCdevkit`根目录下建立两个主要子文件夹:一个是用来放置原始图片(`images`);另一个则是存放由目标边界框组成的文本描述(`labels`)[^3]。每个类别下的样本应当进一步细分为训练(train)和验证集(val),以便于后续评估模型性能时能够获得更加可靠的指标反馈。 #### 调参技巧 调整超参数可以显著影响最终得到的结果质量。考虑到YOLO算法本身的特点,在实际应用过程中可能需要注意以下几个方面: - **学习率调度**:合理设定初始值及衰减策略有助于加快收敛速度同时避免陷入局部最优解。 - **锚点尺寸优化**:依据自定义数据集中对象大小分布情况重新聚类生成一组更贴合实际情况的新锚点,从而提高预测精度。 - **正负样本比例平衡**:当存在严重的类别不平衡现象时,适当引入加权机制或采用Focal Loss函数作为损失项的一部分,使得网络能更好地关注到少数类别的特征表达。 ```python from mindvision.engine.optimizer import SGD optimizer = SGD(params=model.parameters(), lr=0.01, momentum=0.9) scheduler = StepLR(optimizer, step_size=30, gamma=0.1) for epoch in range(num_epochs): scheduler.step() ... ``` 上述代码段给出了一个简单的SGD优化器初始化例子连同其配套的学习率递减计划,这对于大多数计算机视觉任务都是适用的基础配置方案。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值