Mini-Classification

Mini-Classification是一个基于pytorch-lightning写的轻量化的图像分类代码框架

初衷

为什么需要基于pytorch-lightning写一个分类任务的框架？

学习目的 首先pytorch-lightning是基于pytorch代码进一步wrap的一个代码框架，提供了更高级别抽象的API，让我们在使用pytorch的过程中，可以更加专注于模型部分，而不需要去考虑一些额外的代码结构，例如分布式训练，Log的保存， resume training， 半精度训练等，这些在pytorch-lightning中都可以通过简单的配置实现，并且pytorch-lightning中配置了许多好用的API以及function，这让我出于学习的好奇心，想亲自体验一下pytorch-lightning的方便，并且想把方便带给他人。
任务简单 分类任务是深度学习中最经典的，也是最好入门，最友好的，并且分类任务的实现并不复杂，可以让我在更新开源项目的同时，更加专注pytorch-lightning框架本身的学习。
适用多样性 我思考过一个优秀的开源项目应该做到哪些部分来适用不同的人群，如果只是基于pytorch去写一个这样的框架，那其实是一件意义不大的事情，因为优秀的开源项目太多了，但是基于pytorch-lightning项目去写一个开源框架，有以下几个好处：
- 面向小白 对于深度学习入门选手，可以快速上手体验，方便使用者专注于模型的理解，并体验不同的模型实验效果，但是不推荐依赖于pytorch-lightning去写自己之后的代码，因为pytorch本身的使用场景还是更广，并且更有助于你对于代码内部逻辑的理解。
- 面向进阶者 对于进阶者而言，Mini-Classification致力于尽量将使用者研究时需要的内容容纳进来，并且将代码拓展性尽量做好，便于使用。
开源精神 想做好一个完整的开源项目，如果使用者有更好的想法，非常欢迎对这个小小的开源项目提供支持和帮助。

基本功能

[x] 配置统一的config文件
[x] 实现完整的模型训练流程，并且默认保存模型训练过程中的最好结果
[x] 配置tensorboard，记录训练过程中的变量：training loss, learning rate, acc1, acc5, validation loss等
[x] 增加step, cosine, linear三种lr_scheduler。
[x] 增加DP和DDP训练功能，并且可以通过args来指定特定的device
[x] 增加fp16半精度训练

更新日志

如果需要了解mini-classification最新的更新，可以查看changelog.md获取更多细节

安装与使用

安装

安装pytorch-lightning, timm以及其他相关库

$ pip install pytorch-lightning
$ pip install timm
$ pip install -r requirements.txt

使用

1. 训练

example

在cifar100任务上使用指定GPU与DDP训练resnet18模型

$ python run.py --cfg configs/cifar100/resnet/resnet18.yaml --gpu 0,1 --accelerator ddp

Acknowledgements

非常感谢以下优秀的开源代码所提供的参考

rentainhe / mini-classification

readme