图像分类单标签

用于进行图像单标签分类的深度学习组件,输入为图像,输出为单类分类标签。

节点输入输出

训练节点

输入:

  • train(必选): 训练数据集,需要是标注数据集的格式。

  • validation(可选): 验证数据集,需要是标注数据集的格式,用于在训练过程中监测模型精度。

  • test(可选):测试数据集,需要是标注数据集的格式。

输出:

  • outputModel(必选):训好模型的保存位置。

  • modeling(可选):用于连接评估节点。

评估节点

输入:

  • data(必选): 用于评估任务的数据集,需要是标注数据集的格式。

  • model/modeling(二选一): 用于连接训练节点。

组件配置

在工作流页面配置组件参数。

表 40 训练组件参数

参数

必填

描述

算法

用于图像单标签分类任务的预置模型,支持如下几种模型

(模型介绍: 图像分类单标签 ):

  • GPU: resnet18, resnet50, resnet101, vit-base, vit-large, vgg16, shufflenet-v2, seresnet50,

    seresnext50, resnext50-32x4d, resnext101-32x8d, resnest50, repvgg-a0, replknet-31b, inception-v3, efficientnet-b0, swintransformer-tiny, swintransformer-small, regnetx-400mf, regnetx-800mf, regnetx-1.6gf, regnetx-3.2gf, regnetx-12gf, conformer-base, convnext-large, convnext-small, convnext-tiny, densenet121, hrnet-w32, hrnet-w18, mobilenet-v3-small, mobileone-s0, replknet-31l, mobilenet-v2

  • MLU: resnet18, resnet50, resnet101, vit-base, vit-large, vgg16, shufflenet-v2, seresnet50, seresnext50, resnext50-32x4d, resnext101-32x8d, resnest50, repvgg-a0, replknet-31b, inception-v3, efficientnet-b0, swintransformer-tiny, swintransformer-small, regnetx-400mf, regnetx-800mf, regnetx-1.6gf, regnetx-3.2gf, regnetx-12gf, conformer-base, convnext-large, convnext-small, convnext-tiny, densenet121, hrnet-w32, hrnet-w18, mobilenet-v3-small, mobileone-s0, replknet-31l, mobilenet-v2

训练参数-Lr

初始学习率大小。

训练参数-Number_of_epochs

所有样本训练完成一轮表示一个 epoch。总的 epoch 轮数表示所有样本共训练多少轮。

训练参数-Batch_size

训练的批大小,即模型训练过程中,每次迭代(每一步)训练的样本数量。

训练参数-Input_size

输入网络的图像分辨率,显存消耗随分辨率增大而增大。

训练参数-Weight_decay

训练使用的 L2 权重衰减系数。

训练参数-Optimizer

训练使用的优化器类型,支持 Adadelta,Adam,RMSprop,SGD,AdamW,RAdam,NAdam 七种。

训练参数-Momentum

RMSprop, SGD 优化器中的动量。

训练参数-Nesterov

是否在 SGD 优化器中开启 Nesterov 动量。

训练参数-Rho

用于计算梯度平方的滑动平均值的系数,仅在 Adadelta 优化器中使用。

训练参数-Beta1

用于计算梯度的滑动平均值的系数, 仅在 Adam,AdamW,RAdam,NAdam 优化器中使用。

训练参数-Beta2

用于计算梯度平方的滑动平均值的系数, 仅在 Adam,AdamW,RAdam,NAdam 优化器中使用。

训练参数-Use_warm_up

是否开启学习率热身。

训练参数-Lr_scheduler_type

学习率下降策略,支持 cosine, step, polynomial 三种。

训练参数-Milestones

在 step 策略下的学习率阶梯下降的 epoch 节点。

训练参数-Mixup

是否将随机的样本按照比例混合。

训练参数-Mixup_alpha

用于生成混合比的 Beta 分布的参数。

训练参数-Cutmix

是否将随机的样本裁剪混合。

训练参数-Cutmix_alpha

用于生成混合比的 Beta 分布参数。

训练参数-Label_smooth

是否使用标签平滑正则化损失。

训练参数-Label_smooth_val

标签平滑损失中的平滑程度。

训练参数-Clip_grad

是否使用梯度裁剪。

训练参数-Max_norm

梯度裁剪的最大值。

训练参数-Norm_type

梯度裁剪使用的范数。

训练参数-Val_interval

训练过程中进行评估间隔的 epoch 数,需给定验证数据集。

训练参数-Ckpt_save_interval

保存两个 checkpoint 之间的 epoch 数。

训练参数-Max_keep_ckpts

最多能够保存的 checkpoint 数量。

训练参数-Logging_interval

日志打印间隔。

资源类型

选择资源池类型。

单节点规格

选择进行训练任务的单节点算力规格。

节点数

每个任务总的资源量为 单节点规格 x 计算节点数量

使用时长

支持配置使用时长。

表 41 评估组件参数

参数

必填

描述

单节点规格

选择进行评估任务的单节点算力规格。