分割模型裁剪¶
本文档训练代码可直接在PaddleX的Repo中下载，代码tutorials/compress/segmentation本文档按如下方式对模型进行了裁剪
第一步：在训练数据集上训练UNet 第二步：在验证数据集上计算模型中各个参数的敏感度信息第三步：根据第二步计算的敏感度，设定eval_metric_loss，对模型裁剪后重新在训练数据集上训练
步骤一 训练UNet¶
模型训练使用文档可以直接参考检测模型训练，本文档在该代码基础上添加了部分参数选项，用户可直接下载模型训练代码tutorials/compress/segmentation/unet.py使用如下命令开始模型训练
python unet.py
步骤二 计算参数敏感度¶
参数敏感度的计算可以直接使用PaddleX提供的APIpaddlex.slim.cal_params_sensitivities，使用代码如下, 敏感度信息文件会保存至save_file
import os
# 选择使用0号卡
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx
model = pdx.load_model(model_dir)
# 定义验证所用的数据集
eval_dataset = pdx.datasets.ImageNet(
data_dir=dataset,
file_list=os.path.join(dataset, 'val_list.txt'),
label_list=os.path.join(dataset, 'labels.txt'),
transforms=model.eval_transforms)
pdx.slim.cal_params_sensitivities(model,
save_file,
eval_dataset,
batch_size=8)
本步骤代码已整理至tutorials/compress/detection/cal_sensitivities_file.py，用户可直接下载使用使用如下命令开始计算敏感度
python cal_sensitivities_file.py --model_dir output/unet/best_model --dataset optic_disc_seg --save_file sensitivities.data
步骤三 开始裁剪训练¶
本步骤代码与步骤一使用同一份代码文件，使用如下命令开始裁剪训练
python unet.py --model_dir output/unet/best_model --sensitivities_file sensitivities.data --eval_metric_loss 0.10