这是为阿里天池竞赛——服饰属性标签识别提供的gluon教程与benchmark代码。
gluon教程会从零开始一步步讲解，带你上手此次竞赛，同时也能帮助理解benchmark代码。
- 在初赛数据集上能达到大约0.95的mAP与0.84的准确率，同时还有很大的提升空间。
- 在4块Tesla V100以及32核CPU的 AWS p3.8xlarge 机器上的总运行时间约为2.5小时。
- 前往比赛官网，登录并注册参赛后可在左边“赛题与数据”标签内下载数据。之后将数据解压到
data/文件夹中。解压后的目录结构应该如下所示：
Gluon-FashionAI-Attributes
├── benchmark.sh
├── data
│ ├── base
│ ├── rank
│ └── web
├── FashionAI-Attributes-Skirt.ipynb
├── prepare_data.py
├── README.md
└── train_task.py
- 参考FashionAI-Attributes-Skirt.ipynb中的环境配置一节配置教程
- 根据具体运行环境设置
benchmark.sh中的变量
num_gpus，即GPU的个数，设置为0即为只用CPU训练。num_workers，即用来处理数据的进程个数，建议设置为CPU核心个数。
- 运行
bash benchmark.sh，这个脚本会自动准备数据，针对每个任务训练模型并预测，以及最后的合并预测。 - 运行结束后，将
submission/submission.csv压缩成zip格式并通过官网左侧的“提交结果”标签页提交。
在参加比赛时，选手们常常会训练多个模型，有时也需要保存模型留作以后使用。
如果要保存模型，可以在训练过程中使用
finetune_net.save_params('filename.params')命令来实现。在读取时，可以通过
net = gluon.model_zoo.vision.get_model(model_name)
with net.name_scope():
net.output = nn.Dense(task_num_class)
net.load_params('filename.params', ctx=mx.gpu())来导入模型文件。