classification.md

分类模型裁剪

---

本文档训练代码可直接在PaddleX的Repo中下载，代码tutorials/compress/classification
本文档按如下方式对模型进行了裁剪

第一步：在训练数据集上训练MobileNetV2
第二步：在验证数据集上计算模型中各个参数的敏感度信息
第三步：根据第二步计算的敏感度，设定eval_metric_loss，对模型裁剪后重新在训练数据集上训练

步骤一 训练MobileNetV2

模型训练使用文档可以直接参考分类模型训练，本文档在该代码基础上添加了部分参数选项，用户可直接下载模型训练代码tutorials/compress/classification/mobilenetv2.py
使用如下命令开始模型训练

python mobilenetv2.py

步骤二 计算参数敏感度

参数敏感度的计算可以直接使用PaddleX提供的APIpaddlex.slim.cal_params_sensitivities，使用代码如下, 敏感度信息文件会保存至save_file

import os
# 选择使用0号卡
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx

model_dir = './output/mobilenetv2/best_model'
model = pdx.load_model(model_dir)

# 定义验证所用的数据集
eval_dataset = pdx.datasets.ImageNet(
    data_dir=dataset,
    file_list=os.path.join(dataset, 'val_list.txt'),
    label_list=os.path.join(dataset, 'labels.txt'),
    transforms=model.eval_transforms)

pdx.slim.cal_params_sensitivities(model,
                                save_file,
                                eval_dataset,
                                batch_size=8)

本步骤代码已整理至tutorials/compress/classification/cal_sensitivities_file.py，用户可直接下载使用
使用如下命令开始计算敏感度

python cal_sensitivities_file.py --model_dir output/mobilenetv2/best_model --dataset vegetables_cls --save_file sensitivities.data

步骤三 开始裁剪训练

本步骤代码与步骤一使用同一份代码文件，使用如下命令开始裁剪训练

python mobilenetv2.py --model_dir output/mobilenetv2/best_model --sensitivities_file sensitivities.data --eval_metric_loss 0.10

实验效果

本教程的实验效果可以查阅模型压缩文档