使用海光DCU&DTK进行FastSCNN模型训练

使用海光DCU&DTK进行FastSCNN模型训练

本文主要阐述如何利用海光DCU芯片与DTK技术对FastSCNN模型进行训练，以实现高效的语义分割任务。

1. FastSCNN模型简介


Fast-SCNN借鉴了Fast Semantic Segmentation Network的架构，通过全局特征提取器学习如何下采样输入，这类似于传统2分支结构中的深度分支。与传统方法不同，Fast-SCNN的全局特征提取器使用learning to downsample模块的输出，取代了深度分支的部分卷积层。

2. 环境准备


训练工作在海光DCU计算节点上进行，可通过超算互联网购买算力。推荐使用的软件包包括dtk软件栈、Python、PyTorch和torchvision，需确保版本对应。作者推荐了三种搭建环境的方法：光源镜像、超算互联网购买和conda虚拟环境。其中，使用最新发布的DTK-24.04.1镜像通过光源镜像进行搭建较为简便。

3. 模型搭建步骤

数据集：CityScapes数据集是训练的基础，包含精细和粗糙注释图像，需下载并解压至'datasets/citys'。
训练：通过train.py脚本运行训练，可自定义参数，输出模型存储在'./weights'目录下。

4. 快速部署建议


对于希望便捷的用户，超算互联网平台提供了一键式环境搭建，包含FastSCNN模型，无需花费过多精力即可开始训练。