README.md

Gluon-FashionAI-Attributes

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。

当前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。

重现benchmark步骤：

1. 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

2. 参考FashionAI-Attributes-Skirt.ipynb中的环境配置一节配置教程
3. 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。

3. 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。
4. 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。

保存/读取模型文件

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。

吐槽和讨论请点这里