DenseNet 是 2017 年 CVPR best paper 提出的一种新的网络结构,该网络设计了一种新的跨层连接的 block,即 dense-block。相比 ResNet 中的 bottleneck,dense-block 设计了一个更激进的密集连接机制,即互相连接所有的层,每个层都会接受其前面所有层作为其额外的输入。DenseNet 将所有的 dense-block 堆叠,组合成了一个密集连接型网络。密集的连接方式使得 DenseNe 更容易进行梯度的反向传播,使得网络更容易训练。
该系列模型的 FLOPs、参数量以及 T4 GPU 上的预测耗时如下图所示。
Models | Top1 | Top5 | Reference top1 |
Reference top5 |
FLOPs (G) |
Params (M) |
---|---|---|---|---|---|---|
DenseNet121 | 0.757 | 0.926 | 0.750 | 5.690 | 7.980 | |
DenseNet161 | 0.786 | 0.941 | 0.778 | 15.490 | 28.680 | |
DenseNet169 | 0.768 | 0.933 | 0.764 | 6.740 | 14.150 | |
DenseNet201 | 0.776 | 0.937 | 0.775 | 8.610 | 20.010 | |
DenseNet264 | 0.780 | 0.939 | 0.779 | 11.540 | 33.370 | |
DPN68 | 0.768 | 0.934 | 0.764 | 0.931 | 4.030 | 10.780 |
DPN92 | 0.799 | 0.948 | 0.793 | 0.946 | 12.540 | 36.290 |
DPN98 | 0.806 | 0.951 | 0.799 | 0.949 | 22.220 | 58.460 |
DPN107 | 0.809 | 0.953 | 0.802 | 0.951 | 35.060 | 82.970 |
DPN131 | 0.807 | 0.951 | 0.801 | 0.949 | 30.510 | 75.360 |
Models | Size | Latency(ms) bs=1 |
Latency(ms) bs=4 |
Latency(ms) bs=8 |
---|---|---|---|---|
DenseNet121 | 224 | 3.22 | 6.25 | 8.20 |
DenseNet161 | 224 | 6.83 | 13.39 | 18.34 |
DenseNet169 | 224 | 4.81 | 9.53 | 11.94 |
DenseNet201 | 224 | 6.15 | 12.70 | 15.93 |
DenseNet264 | 224 | 9.05 | 19.57 | 23.84 |
DPN68 | 224 | 8.18 | 11.40 | 14.82 |
DPN92 | 224 | 12.48 | 20.04 | 25.10 |
DPN98 | 224 | 14.70 | 25.55 | 35.12 |
DPN107 | 224 | 19.46 | 35.62 | 50.22 |
DPN131 | 224 | 19.64 | 34.60 | 47.42 |
备注: 精度类型为 FP32,推理过程使用 TensorRT-8.0.3.4。
Models | Size | Latency(ms) FP16 bs=1 |
Latency(ms) FP16 bs=4 |
Latency(ms) FP16 bs=8 |
Latency(ms) FP32 bs=1 |
Latency(ms) FP32 bs=4 |
Latency(ms) FP32 bs=8 |
---|---|---|---|---|---|---|---|
DenseNet121 | 224 | 4.16436 | 7.2126 | 10.50221 | 4.40447 | 9.32623 | 15.25175 |
DenseNet161 | 224 | 9.27249 | 14.25326 | 20.19849 | 10.39152 | 22.15555 | 35.78443 |
DenseNet169 | 224 | 6.11395 | 10.28747 | 13.68717 | 6.43598 | 12.98832 | 20.41964 |
DenseNet201 | 224 | 7.9617 | 13.4171 | 17.41949 | 8.20652 | 17.45838 | 27.06309 |
DenseNet264 | 224 | 11.70074 | 19.69375 | 24.79545 | 12.14722 | 26.27707 | 40.01905 |
DPN68 | 224 | 11.7827 | 13.12652 | 16.19213 | 11.64915 | 12.82807 | 18.57113 |
DPN92 | 224 | 18.56026 | 20.35983 | 29.89544 | 18.15746 | 23.87545 | 38.68821 |
DPN98 | 224 | 21.70508 | 24.7755 | 40.93595 | 21.18196 | 33.23925 | 62.77751 |
DPN107 | 224 | 27.84462 | 34.83217 | 60.67903 | 27.62046 | 52.65353 | 100.11721 |
DPN131 | 224 | 28.58941 | 33.01078 | 55.65146 | 28.33119 | 46.19439 | 89.24904 |
备注: 推理过程使用 TensorRT-8.0.3.4。
安装 paddlepaddle 和 paddleclas 即可快速对图片进行预测,体验方法可以参考ResNet50 模型快速体验。
此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 ppcls/configs/ImageNet/DenseNet/
中提供了该模型的训练配置,启动训练方法可以参考:ResNet50 模型训练、评估和预测。
Paddle Inference 是飞桨的原生推理库, 作用于服务器端和云端,提供高性能的推理能力。相比于直接基于预训练模型进行预测,Paddle Inference可使用 MKLDNN、CUDNN、TensorRT 进行预测加速,从而实现更优的推理性能。更多关于Paddle Inference推理引擎的介绍,可以参考Paddle Inference官网教程。
Inference 的获取可以参考 ResNet50 推理模型准备 。
PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考ResNet50 基于 Python 预测引擎推理 完成模型的推理预测。
PaddleClas 提供了基于 C++ 预测引擎推理的示例,您可以参考服务器端 C++ 预测来完成相应的推理部署。如果您使用的是 Windows 平台,可以参考基于 Visual Studio 2019 Community CMake 编译指南完成相应的预测库编译和模型预测工作。
Paddle Serving 提供高性能、灵活易用的工业级在线推理服务。Paddle Serving 支持 RESTful、gRPC、bRPC 等多种协议,提供多种异构硬件和多种操作系统环境下推理解决方案。更多关于Paddle Serving 的介绍,可以参考Paddle Serving 代码仓库。
PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例,您可以参考模型服务化部署来完成相应的部署工作。
Paddle Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架,定位于支持包括移动端、嵌入式以及服务器端在内的多硬件平台。更多关于 Paddle Lite 的介绍,可以参考Paddle Lite 代码仓库。
PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例,您可以参考端侧部署来完成相应的部署工作。
Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通过 ONNX 可以完成将 Paddle 模型到多种推理引擎的部署,包括TensorRT/OpenVINO/MNN/TNN/NCNN,以及其它对 ONNX 开源格式进行支持的推理引擎或硬件。更多关于 Paddle2ONNX 的介绍,可以参考Paddle2ONNX 代码仓库。
PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例,您可以参考Paddle2ONNX 模型转换与预测来完成相应的部署工作。