README.md

# ResNet-CBAM

## 项目简介

https://github.com/zhangzhengde0225/binary_distinguish_GRB_by_DL

### 论文

Application of Deep Learning Methods for Distinguishing Gamma-Ray Bursts from Fermi/GBM TTE Data

- https://arxiv.org/abs/2303.00370

### 模型结构

卷积神经网络（CNN）架构的示意图如下。每个卷积块顶部和底部的数字分别表示卷积步幅（默认值为1）和卷积核的数量。图底部的数字描述了特征图的长度和宽度的变化。

![img](https://developer.sourcefind.cn/codes/bw-bestperf/resnet-cbam/-/raw/main/assets/architectures.png)

---

## 环境部署

### 1. 拉取镜像

```bash
docker pull harbor.sourcefind.cn:5443/dcu/admin/base/pytorch:2.5.1-ubuntu22.04-dtk25.04.2-py3.10
```

### 2. 创建容器

```bash
docker run -it \
--network=host \
--hostname=localhost \
--name=cbam-test \
-v /opt/hyhal:/opt/hyhal:ro \
-v $PWD:/workspace \
--ipc=host \
--device=/dev/kfd \
--device=/dev/mkfd \
--device=/dev/dri \
--shm-size=512G \
--privileged \
--group-add video \
--cap-add=SYS_PTRACE \
-u root \
--security-opt seccomp=unconfined \
harbor.sourcefind.cn:5443/dcu/admin/base/pytorch:2.5.1-ubuntu22.04-dtk25.04.2-py3.10 \
/bin/bash
```

---

## 测试步骤

### 1. 拉取代码

```bash
git clone http://developer.sourcefind.cn/codes/bw-bestperf/resnet-cbam.git
```

### 2. 安装依赖

```bash
pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/  --trusted-host mirrors.aliyun.com
# 仅需安装matplotlib，也可在../code/model_utils.py 第4行注释掉，不影响程序运行
```

### 3、数据集

```
curl -f -C - -o Binary_Distinguish_GRB_Datasetv1.zip https://wuzh01.hpccube.com:65015/efile/s/d/bWFtaW5nMTAx/775529e4f6b82053  
```

```
Binary_Distinguish_GRB_Datasetv1/data/
└── dataset_256ms/
    ├── test_count_map_256ms.npy
    ├── test_info.npy
    ├── train_count_map_256ms.npy
    ├── train_info.npy
    ├── validate_count_map_256ms.npy
    └── validate_info.npy
└── ......
```

## 训练

```bash
cd /path/your_code_data/code
# 修改数据集路径，train.py 15行
# 查看numa亲和力
export HIP_VISIBLE_DEVICES=0
export TF_XLA_FLAGS=--tf_xla_auto_jit=2
numactl --cpunodebind=3 python train.py
```

## 贡献指南

欢迎对ResNet-CBAM项目进行贡献！请遵循以下步骤：

1. Fork 本仓库，并新建分支进行功能开发或问题修复。
2. 提交规范的 commit 信息，描述清晰。
3. 提交 Pull Request，简述修改内容及目的。
4. 遵守项目代码规范和测试标准。
5. 参与代码评审，积极沟通改进方案。

---

## 许可证

本项目遵循 MIT 许可证，详见 [LICENSE](./LICENSE) 文件。

---

感谢您的关注与支持！如有问题，欢迎提交 Issue 或联系维护团队。