# MMClassification算例测试

## 测试前准备
### 数据集准备
使用dummy数据集。
### 环境部署
```python
yum install python3
yum install libquadmath
yum install numactl
yum install openmpi3
yum install glog
yum install lmdb-libs
yum install opencv-core
yum install opencv
yum install openblas-serial
pip3 install --upgrade pip
pip3 install opencv-python
```
### 安装python依赖包
```python
pip3 install torch-1.10.0a0+gitcc7c9c7-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install torchvision-0.10.0a0+300a8a4-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install mmcv_full-1.3.16-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
mmcls 安装：
cd mmclassification
pip3 install -e .
```
注：测试不同版本的dtk，需安装对应版本的库whl包，dtk22.04.1使用python3.7，dtk21.10.1使用python3.6
## ResNet18测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/resnet18_b32x8_imagenet.py
```
若使用dtk22.04.1测试，需设置`export MIOPEN_FIND_MODE=1，export MIOPEN_USE_APPROXIMATE_PERFORMANCE=0`以下测试均相同.

#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1](image/train/1659061854685.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/resnet18_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/resnet18_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/resnet18_b32x8_fp16_imagenet.py
```
## ResNet34测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/resnet34_b32x8_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064427635](image/train/1659064427635.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/resnet34_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/resnet34_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/resnet34_b32x8_fp16_imagenet.py
```
## ResNet50测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/resnet50_b32x8_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/resnet50_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/resnet50_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/resnet50_b32x8_fp16_imagenet.py
```
## ResNet152测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/resnet152_b32x8_imagenet.py
```

#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/resnet152_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/resnet152_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/resnet152_b32x8_fp16_imagenet.py
```
## Vgg11测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/vgg11_b32x8_imagenet.py
```

#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/vgg11_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/vgg11_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/vgg11_b32x8_fp16_imagenet.py
```
## SeresNet50测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/seresnet50_b32x8_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/seresnet50_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/seresnet50_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/seresnet50_b32x8_fp16_imagenet.py
```
## ResNext50测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/speed_test/resnext50_32x4d_b32x8_imagenet.py
```

#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/resnext50_32x4d_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/resnext50_32x4d_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/resnext50_32x4d_b32x8_fp16_imagenet.py
```
## MobileNet-v2测试
### 单卡测试（单精度）
```python
./sing_test.sh  configs/speed_test/mobilenet_v2_b32x8_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/mobilenet_v2_b32x8_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/mobilenet_v2_b32x8_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/mobilenet_v2_b32x8_fp16_imagenet.py
```
## ShuffleNet-v1测试
### 单卡测试（单精度）
```python
./sing_test.sh  configs/speed_test/shufflenet_v1_1x_b64x16_linearlr_bn_nowd_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs64.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/shufflenet_v1_1x_b64x16_linearlr_bn_nowd_imagenet.py
```
## 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/shufflenet_v1_1x_b64x16_linearlr_bn_nowd_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/shufflenet_v1_1x_b64x16_linearlr_bn_nowd_fp16_imagenet.py
```
## ShuffleNet-v2测试
### 单卡测试（单精度）
```python
./sing_test.sh  configs/speed_test/shufflenet_v2_1x_b64x16_linearlr_bn_nowd_imagenet.py
```

#### 参数说明
configs/speed_test/datasets/imagenet_bs64.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/speed_test/shufflenet_v2_1x_b64x16_linearlr_bn_nowd_imagenet.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/speed_test/shufflenet_v2_1x_b64x16_linearlr_bn_nowd_fp16_imagenet.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/speed_test/shufflenet_v2_1x_b64x16_linearlr_bn_nowd_fp16_imagenet.py
```
## Vgg16测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/vgg/vgg16_b32x8_imagenet.py
```
#### 参数说明
configs/speed_test/datasets/imagenet_bs32.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659064905610](image/train/1659064905610.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/vgg/vgg16_b32x8_imagenet.py
```