快速入门#

本章节以dvs-mnist为例，说明BIDL工程的使用方法。

选择配置文件#

dvs-mnist数据集使用 clif3fc3dm_itout-b16x1-dvsmnist.py 配置文件。由于dvs-mnist属于dvs数据的分类，所以在 applications/classification/dvs 目录下创建 dvs-mnist 文件夹，又根据其模型结构，在新建的 dvs-mnist 文件夹下创建 clif3fc3dm 文件夹，最后将配置文件放到该路径下。

注意

配置文件都是Python源代码文件，文件名后缀都是.py。

准备数据集#

查看选择配置文件中选择的配置文件中设定的数据集路径，然后在工程根目录下新建对应的数据集的目录。

data = dict(
   samples_per_gpu=16,
   workers_per_gpu=2,
   train=dict(
      type=dataset_type,
      data_prefix='data/dvsmnist/train/',
      pipeline=train_pipeline
   ),
   val=dict(
      type=dataset_type,
      data_prefix='data/dvsmnist/val/',
      pipeline=test_pipeline,
      test_mode=True
   ),
   test=dict(
      type=dataset_type,
      data_prefix='data/dvsmnist/test/',
      pipeline=test_pipeline,
      test_mode=True
   )
)

模型训练#

在 tools 目录下，执行以下命令，开始训练模型。

python train.py --config clif3fc3dm_itout-b16x1-dvsmnist

注意

--config 后的参数 clif3fc3dm_itout-b16x1-dvsmnist 是选择配置文件章节中选择的配置文件的名称去掉.py。

训练开始后，会依次打印：

本次训练所涉及到的配置信息，包括：
- 配置文件中的信息
- checkpoint保存的路径信息。
  checkpoint文件默认会保存在项目根目录 /work_dirs/clif3fc3dm_itout-b16x1-dvsmnist/ 下，会在此路径下生成一个 lastest.pth 文件，为最后一个epoch保存的checkpoint文件，此外还会生成一个 best.pth 文件，保存的是验证集精度最优的checkpoint文件。目录树如下：
  clif3fc3dm_itout-b16x1-dvsmnist/ ├── 20240829_171552.log #本次训程中的所有日志，如损失、正确率 ├── best.pth #验证集最优的模型存档点，即权重 └── latest.pth #最后一轮训练的模型存档点，即权重
注意

如无特殊需求，不要用 --work-dir 传入其他路径来保存 checkpoint 文件。
之后的内容为模型训练的日志信息，如下是前两个epoch输出的日志信息：

2024-08-29 17:33:37,021 - cls - INFO - Epoch [1][100/452] lr:
2.060e-02 top-1: 22.7500 top-5: 62.5000 loss: 2.1440

2024-08-29 17:33:48,696 - cls - INFO - Epoch [1][200/452] lr:
4.040e-02 top-1: 73.8750 top-5: 96.8125 loss: 1.1264

2024-08-29 17:34:00,255 - cls - INFO - Epoch [1][300/452] lr:
6.020e-02 top-1: 89.1875 top-5: 98.6250 loss: 0.8457

2024-08-29 17:34:11,309 - cls - INFO - Epoch [1][400/452] lr:
8.000e-02 top-1: 90.6250 top-5: 99.1250 loss: 0.7871

2024-08-29 17:34:16,431 - cls - INFO - Saving checkpoint at 1 epochs

2024-08-29 17:34:21,611 - cls - INFO - Epoch(val) [1][20] top-1:
87.1275 top-5: 98.9238

2024-08-29 17:34:31,200 - cls - INFO - Epoch [2][100/452] lr:
9.980e-02 top-1: 94.3750 top-5: 99.6250 loss: 0.7186

2024-08-29 17:34:41,470 - cls - INFO - Epoch [2][200/452] lr:
9.980e-02 top-1: 94.6875 top-5: 99.6250 loss: 0.6894

2024-08-29 17:34:51,961 - cls - INFO - Epoch [2][300/452] lr:
9.980e-02 top-1: 97.3125 top-5: 99.8750 loss: 0.6128

2024-08-29 17:35:02,393 - cls - INFO - Epoch [2][400/452] lr:
9.980e-02 top-1: 97.3750 top-5: 99.9375 loss: 0.5926

2024-08-29 17:35:07,965 - cls - INFO - Saving checkpoint at 2 epochs

2024-08-29 17:35:14,549 - cls - INFO - Epoch(val) [2][20] top-1:
98.1374 top-5: 100.0000

训练结束，将最优的权重文件拷贝到资源包中的权重文件路径中： /weight_files/classification/clif3fc3dm/lif

模型推理（GPU）#

在 tools 目录下，执行以下命令，进行模型推理。

python test.py --config clif3fc3dm_itout-b16x1-dvsmnist --checkpoint latest.pth --use_lyngor 0 --use_legacy 0

推理过程如下：

100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2409/2409 [01:23<00:00, 28.85it/s]
acc top-1: 99.21 top-5: 100.00
gpu test speed = 576.6303 fps
gpu test speed (without pipeline) = 583.3422 fps

由于在进行训练的时候，checkpoint文件的保存路径默认是固定的，且次级目录与配置文件名称相同，所以 --checkpoint 的参数只需指定 pth 文件名称即可。

模型推理（灵汐芯片）#

在BIDL框架中，采用开关切换后台执行环境，具体的，在使用 test.py 进行时，需配置：

配置项	说明
--us_lyngor	用于标识是否使用Lyngor进行编译。【数据类型】ENUM 【取值范围】 1：表示使用Lyngor进行编译，采用灵汐芯片执行； 0：表示不使用Lyngor进行编译（GPU执行）。
--use_legacy	用于标识是否直接加载历史编译生成物、跳过编译环节。【数据类型】ENUM 【取值范围】 1：表示加载历史编译生成物、跳过编译环节； 0：表示不加载历史编译生成物、不跳过编译环节。

配置项

说明

--us_lyngor

用于标识是否使用Lyngor进行编译。

【数据类型】ENUM

【取值范围】

1：表示使用Lyngor进行编译，采用灵汐芯片执行；
0：表示不使用Lyngor进行编译（GPU执行）。

--use_legacy

用于标识是否直接加载历史编译生成物、跳过编译环节。

【数据类型】ENUM

【取值范围】

1：表示加载历史编译生成物、跳过编译环节；
0：表示不加载历史编译生成物、不跳过编译环节。

如：

python test.py --config clif3fc3dm_itout-b16x1-dvsmnist --checkpoint latest.pth --use_lyngor 1 --use_legacy 0

注意