全球赛昇腾赛道技术考点分布.docxVIP

设置运行环境

设置数据路径并构建源数据集。

数据增强。

定义归一化和形状转换操作：

归一化：基于均值[0.485×255,0.456×255,0.406×255]和标准差[0.229×255,0.224×255,0.225×255]对输入图像进行归一化。

形状转换：将输入图像的形状从H,W,C转换为C,H,W。分别对训练数据集和测试数据集进行增强

训练数据集：

定义RandomCropDecodeResize，它结合了裁剪、解码和调整大小的操作。图像大小已在现有代码中定义。其他参数保留默认值。

定义RandomHorizontalFlip，即水平随机翻转操作。图像翻转的概率设置为0.5。

定义RandomColorAdjust，即对图像的亮度、对比度、饱和度和色调进行随机调整。将亮度、对比度和饱和度调整因子设置为0.4。

对图像应用由train_trans定义的增强操作。

对图像标签应用由type_cast_op定义的数据类型转换。

打乱数据集序列，缓冲区大小已在现有代码中定义。

将数据集打包成批次。批次大小已在现有代码中定义，并且将丢弃余数设置为True。

测试数据集：

定义Decode，即图像解码操作，将图像解码为RGB格式。

定义Resize，即图像大小调整操作。宽度为resize_height/0.875，高度为resize_width/0.875，两者都需要向上取整。保留插值的默认值。

定义CenterCrop，即对中心区域的裁剪操作。大小可自行推断。

将由evaltrans定义的增强操作应用于图像。

将由type_cast_op定义的数据类型转换应用于图像标签。

将数据集打包成批次。批次大小已在现有代码中定义，并且设置dropremainder为True。

可视化数据。

获取图像并实现图像可视化。

基于数据集对象创建一个迭代器，并逐个获取图像。

可视化四张图像，注意此处的形状转换。

构建一个由卷积层、批归一化（BN）层和激活函数组成的结构。

当groups等于1时，实现标准卷积，填充模式设置为pad，填充设置为(kernel_size-1)//2（如先前代码中所定义），其他所有参数根据实际参数设置。

当groups不等于1时，将输出通道数设置为与输入通道数相等，以实现深度可分离卷积，填充模式设置为pad，填充设置为(kernel_size-1)//2（如先前代码中所定义），其他所有参数根据实际参数设置。（具体情况具体分析，会有变化）

构建一个残差结构或者倒置残差结构。找到InvertedResidual类，其中use_res_connect参数用于确定是否建立残差连接。

仅当输入通道数和输出通道数相等且步幅为1时，建立残差连接。

返回残差连接后的输出。

模型构建与训练

实例化一个模型、定义损失函数、学习率和优化器，并封装模型、设置检查点策略并实施模型训练、设置保存检查点的配置策略：每saveckptepochs×步长步数保存一次检查点文件、最多可保存epochs个检查点文件、saveckptepochs和epochs从配置中获取、设置检查点回调对象：将每个检查点文件的前缀设置为XXX、将保存检查点文件的路径设置为saveckptpath，该路径从配置中获取。根据需要设置其他参数、调用模型训练API以实施模型训练。

可视化模型训练结果：

a)在第一个画布中，绘制模型在训练数据集和验证数据集上的损失变化趋势（横轴为epoch，纵轴为训练损失或评估损失）。

b)在第二个画布中，绘制模型在验证数据集上的准确率变化趋势（横轴为epoch，纵轴为评估准确率）。

c)选择模型的最优检查点文件，即保存评估准确率值最高的epoch时的文件。使用代码实现此操作，而非通过观察。注意：使用np.argmax。

35、在线模型推理与保存

加载测试图像，对图像进行预处理，然后执行推理。

a)使用image_process函数对要推理的图像进行预处理。

1)实现图像归一化，即（每个通道的像素值-均值）/标准差。

2)实现形状转换。

b)使用infer_one函数对图像执行推理。

1)使用image_process函数对图像进行预处理，将其输入到模型中进行推理，并获得模型推理结果。

2)获取模型推理结果中最大概率值的索引。

c)对九张图像进行推理。

1)实例化XXX。

2)实例化XXX。

3)将训练过程中评估准确率最高的epoch保存的检查点文件中的权重值加载到网络中。

36、保存模型

定义输入数据结构并导出一个air、om