在ImageNet上训练AlexNet

卷积神经网络(CNN)是一种广泛用于图像和视频分类的前馈神经网络。 在这个例子中,我们将使用深度CNN模型来对ImageNet数据集进行图像分类。

操作说明

编译SINGA

请用CUDA,CUDNN和OpenCV编译SINGA。 您可以手动打开CMakeLists.txt中的选项或在build /文件夹中运行ccmake ..进行配置。

我们已经在CuDNN V4和V5(V5需要Cuda7.5)上进行了测试。

数据下载

数据预处理

  • 假设你已经下载了数据和描述文件。 现在我们应该将数据转换为二进制文件。你可以运行:

        sh create_data.sh
    

    这个脚本会在指定输出目录下生成一个测试文件(test.bin),均值文件(mean.bin)和一些训练文件(trainX.bin)。

  • 你也可以改变create_data.sh的参数。

    • -trainlist <file>: 训练数据列表文件;

    • -trainfolder <folder>: 训练图片所在文件夹;

    • -testlist <file>: 测试数据列表文件;

    • -testfolder <floder>: 测试图像所在文件夹;

    • -outdata <folder>: 保存输出文件的文件夹,包括平均值,训练和测试文件。 该脚本将在指定的文件夹中生成这些文件;

    • -filesize <int>: 在每个二进制文件中存储的训练图片个数.

训练

  • 准备好数据后,你可以运行下面指令来训练AlexNet模型。

        sh run.sh
    
  • 你可以改变run.sh的参数。

    • -epoch <int>: 要训练的epoch数目,默认为90;

    • -lr <float>: 基础学习率,学习率将减少每20个时期,更具体地,lr = lr * exp(0.1 *(epoch / 20));

    • -batchsize <int>: 批数目,它应该根据你的内存而改变;

    • -filesize <int>: 存储在每个二进制文件中的训练图像的数量,与数据预处理中的文件大小相同;

    • -ntrain <int>: 训练图片的数目;

    • -ntest <int>: 测试图片的数目;

    • -data <folder>: 存储二进制文件的文件夹,它恰好是数据预处理步骤中的输出文件夹;

    • -pfreq <int>: 打印当前模型状态(损失和准确度)的频率(以批数据为单位);

    • -nthreads <int>: 加载传给模型的数据所有的线程数。