预训练模型还要训练吗_多模态预训练模型

若使用已保存好的镜像reid_mgn:v1，在本机上可按如下操作训练

# 1.进入已保存环境的镜像（reid_mgn:v1（8.48G）、pytorch/pytorch:1.0.1-cuda10.0-cudnn7-devel_mgnreid（6.37G））

nvidia-docker run -it –rm -v /home/lc-deep/sdr:/home/personReID reid_mgn:v1 /bin/bash （服务器10.10.113.130）

nvidia-docker run -it –rm –name sxue -v /home/lc-deep/sdr:/home/personReID pytorch/pytorch:1.0.1-cuda10.0-cudnn7-devel_mgnreid /bin/bash

docker attach ID

nvidia-docker run -it –rm –name mgn -v /home/deep/share2/docker_data:/home -v /home/deep/sxue:/home/personReID ufoym/deepo:testv1 /bin/bash (75服务器)

# 2.进入到工程目录

cd /home/personReID/MGN-pytorch-master

# 3.复制预训练模型到指定路径（可跳过这步）

cp /home/personReID/MGN-pytorch-master/resnet50-19c8e357.pth /root/.cache/torch/checkpoints/resnet50-19c8e357.pth

#### 注每次需查电脑自动保存的根目录 /root/.cache/torch/checkpoints/resnet50-19c8e357.pth 会因电脑不同而不同

cp /home/personReID/MGN-pytorch-master/resnet50-19c8e357.pth /root/.torch/models/resnet50-19c8e357.pth

# 打开另一个终端

docker ps 查看容器内镜像（找到reid_mgn:v1 前对应的数字字符串%%%%）

docker stats %%%%% 实时监测内存情况

# 4.训练（在原终端继续进行，注：demo.sh是已改好参数的）

sh demo1.sh

补充： 训练前需要修改的文件及代码

1.demo.sh文件

修改data路径（把你的数据集路径添加到 –datadir）、GPU、参数等如下：

CUDA_VISIBLE_DEVICES=0 python main.py –reset –datadir /home/personReID/MGN-pytorch-master/Market1501/ –batchid 4 –batchtest 16 –test_every 20 –epochs 80 –decay_type step_40_60 –loss 1*CrossEntropy+2*Triplet –margin 0.3 –re_rank –random_erasing –save MGN_adam –nGPU 1 –lr 2e-4 –optimizer ADAM –save_models

注：需将数据集文件名由原始的Market-1501-****改为和代码匹配的Market1501

2.trainer.py

修改train、test中的epoch

3.main.py

如果是单GPU训练，需按如下添加命令

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/185472.html原文链接：https://javaforall.cn