#

在 CIFAR 10 上训练一个小型模型

这在 CIFAR 10 上训练了一个小型模型，以测试蒸馏的益处有多大。

13import torch.nn as nn
14
15from labml import experiment, logger
16from labml.configs import option
17from labml_nn.experiments.cifar10 import CIFAR10Configs, CIFAR10VGGModel
18from labml_nn.normalization.batch_norm import BatchNorm

#

配置

我们使用CIFAR10Configs 它来定义所有与数据集相关的配置、优化器和训练循环。

21class Configs(CIFAR10Configs):

#

28    pass

#

适用于 CIFAR-10 分类的 VGG 样式模型

这源于通用的 VGG 风格架构。

31class SmallModel(CIFAR10VGGModel):

#

创建卷积层和激活

38    def conv_block(self, in_channels, out_channels) -> nn.Module:

#

42        return nn.Sequential(

#

卷积层

44            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),

#

批量标准化

46            BatchNorm(out_channels, track_running_stats=False),

#

激活 ReLU

48            nn.ReLU(inplace=True),
49        )

#

51    def __init__(self):

#

使用给定的卷积大小（通道）创建模型

53        super().__init__([[32, 32], [64, 64], [128], [128], [128]])

#

创建模型

56@option(Configs.model)
57def _small_model(c: Configs):

#

61    return SmallModel().to(c.device)

#

64def main():

#

创建实验

66    experiment.create(name='cifar10', comment='small model')

#

创建配置

68    conf = Configs()

#

装载配置

70    experiment.configs(conf, {
71        'optimizer.optimizer': 'Adam',
72        'optimizer.learning_rate': 2.5e-4,
73    })

#

设置保存/加载的模型

75    experiment.add_pytorch_models({'model': conf.model})

#

打印模型中参数的数量

77    logger.inspect(params=(sum(p.numel() for p in conf.model.parameters() if p.requires_grad)))

#

开始实验并运行训练循环

79    with experiment.start():
80        conf.run()

#

84if __name__ == '__main__':
85    main()