Platform For AI：映像度量學習訓練（raw）

前提條件

已開通OSS並完成授權，詳情請參見開通OSS服務和雲產品依賴與授權：Designer。

功能限制

支援的計算引擎為DLC。

演算法簡介

映像度量學習訓練（raw）組件提供了resnet50、resnet18、resnet34、resnet101、swint_tiny、swint_small、swint_base、vit_tiny、vit_small、vit_base、xcit_tiny、xcit_small和xcit_base等主流模型。

可視化配置組件

• 輸入樁

  輸入樁（從左至右）	限制資料類型	建議上遊組件	是否必選
  訓練資料標註檔案	OSS	讀OSS資料	否
  評估資料標註檔案	OSS	讀OSS資料	否

• 組件參數

  頁簽	參數	是否必選	描述	預設值
  欄位設定	度量學習模型類型	是	訓練模型使用的演算法類型，支援以下取值： 資料並行的度量學習 模型並行的度量學習	資料並行的度量學習
  	儲存訓練輸出的oss目錄	是	儲存訓練模型的OSS目錄，比如：oss://examplebucket/yun****/designer_test。	無
  	訓練資料標註結果檔案路徑	否	如果您沒有通過輸入樁配置訓練資料標註檔案，則需要配置該參數。 說明 如果您同時通過輸入樁和該參數配置了訓練資料標註檔案，則優先使用輸入樁配置的資料。 訓練資料標註檔案所在的OSS路徑，比如：oss://examplebucket/yun****/data/imagenet/meta/train_labeled.txt。 其中train_labeled.txt檔案每行的儲存格式為：絕對路徑/圖片名稱.jpg label_id。 重要 圖片存放路徑和label_id之間使用空格分隔。	無
  	驗證資料標註結果檔案路徑	否	如果您沒有通過輸入樁配置評估資料標註檔案，則需要配置該參數。 說明 如果您同時通過輸入樁和該參數配置了驗證資料標註檔案，則優先使用輸入樁配置的資料。 驗證資料標註檔案所在的OSS路徑，比如：oss://examplebucket/yun****/data/imagenet/meta/val_labeled.txt。 其中val_labeled.txt檔案每行的儲存格式為：絕對路徑/圖片名稱.jpg label_id。 重要 圖片存放路徑和label_id之間使用空格分隔。	無
  	類別名稱列表檔案	否	支援直接寫入類別名稱，或設定為存有類別名稱的txt檔案所在的OSS路徑。	無
  	資料來源格式	是	輸入資料的格式類型，支援ClsSourceImageList和ClsSourceItag。	ClsSourceImageList
  	預訓練模型oss路徑	否	如果您有自己的預訓練模型，則將該參數配置為預訓練模型的OSS路徑。如果沒有配置該參數，則使用PAI提供的預設預訓練模型。	無
  參數設定	度量學習模型使用的backbone	是	選擇使用的主流模型，支援以下取值： resnet_50 resnet_18 resnet_34 resnet_101 swin_transformer_tiny swin_transformer_small swin_transformer_base	resnet50
  	圖片resize大小	是	圖片調整後的大小，單位為像素。	224
  	bachbone輸出的特徵維度	是	設定主流模型輸出的特徵維度，整數。	2048
  	特徵輸出的特徵維度	是	設定Neck輸出的特徵維度，整數。	1536
  	訓練資料分類標註的類別數目	是	度量學習設定的輸出維度數目。	無
  	度量學習模型使用的損失函數	是	損失函數用來評估訓練模型預測值與真實值不一致的程度。支援以下取值： AMSoftmax推薦參數margin 0.4 scale 30 ArcFaceLoss推薦參數margin 28.6 scale 64 CosFaceLoss推薦參數margin 0.35 scale 64 LargeMarginSoftmaxLoss推薦參數margin 4 scale 1 SphereFaceLoss推薦參數margin 4 scale 1 基於模型並行的AMSoftmax可隨著GPU數目擴充分類上線 基於模型並行的Softmax可隨著GPU數目擴充分類上限	AMSoftmax推薦參數margin 0.4 scale 30
  	度量學習損失函數參數scale	是	根據度量學習使用的損失函數設定。	30
  	度量學習損失函數參數margin	是	根據度量學習使用的損失函數設定。	0.4
  	度量學習損失函數權重	否	損失函數的權重值，用來權衡度量和分類的最佳化比例。	1.0
  	最佳化方法	是	訓練模型使用的最佳化方法，支援以下取值： SGD AdamW	SGD
  	初始學習率	是	初始學習率大小，浮點類型。	0.03
  	訓練batch_size	是	訓練的批大小，即模型訓練過程中，每次迭代（每一步）訓練的樣本數量。	無
  	總的訓練迭代epoch輪數	是	所有樣本訓練完成一輪表示一個epoch。總的epoch輪數表示所有樣本共訓練多少輪。	200
  	儲存checkpoint的頻率	否	儲存模型檔案的頻率。取值為1表示1個epoch訓練完成後儲存一次模型。	10
  執行調優	讀取訓練資料線程數	否	讀取訓練資料的進程數量。	4
  	開啟半精度	否	選中該參數，表示使用半精度進行模型訓練，用來降低記憶體佔用。	無
  	單擊或分布式（MaxCompute/DLC）	是	組件啟動並執行引擎，您可以結合實際情況選擇。系統支援以下計算引擎： 單機DLC 分布式DLC	單機DLC
  	worker個數	否	當運行引擎為分布式DLC時，需要配置該參數。 訓練過程中，並發的進程（worker）數量。	1
  	gpu機型選擇	是	選擇啟動並執行GPU規格。	8vCPU+60GB Mem+1xp100-ecs.gn5-c8g1.2xlarge

使用樣本