# 算法名简写（英文简写大写）
## 论文
`Searching for MobileNetV3`

- [https://arxiv.org/pdf/1905.02244.pdf ](https://arxiv.org/pdf/1905.02244.pdf)
## 模型结构
MobileNetv3模型采用轻量级的深度可分离卷积（depthwise separable convolution）结构，以减少模型参数量和计算复杂度。

![MobileNet_1](MobileNet_1.jpg)


## 算法原理
MobileNetv3模型采用混合使用轻量级深度可分离卷积和逆残差结构（Inverted Residuals）的算法原理，以实现高效计算和良好的模型性能。![MobileNet_2](MobileNet_2.jpg)


## 环境配置
### Docker（方法一）
此处提供[光源](https://www.sourcefind.cn/#/service-details)拉取docker镜像的地址与使用步骤
```
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py38-latest

docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
```
### Dockerfile（方法二）
此处提供dockerfile的使用方法
```
cd ./docker
docker build --no-cache -t MobileNetv3:1.0 .
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
```
### Anaconda（方法三）
此处提供本地配置、编译的详细步骤，例如：

关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.hpccube.com/tool/)开发者社区下载安装。
```
DTK驱动：dtk22.10
python：python3.8
torch：1.10
torchvision：0.10
```
`Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应`

## 数据集
`cifar10`

- [CIFAR-10](https://www.cs.toronto.edu/~kriz/cifar.html)

```
├── cifar-10-batches-py
│   ├── batches.meta
│   ├── data_batch_1
│   ├── data_batch_2
│   ├── data_batch_3
│   ├── data_batch_4
│   ├── data_batch_5
│   ├── readme.html
│   └── test_batch
```

### 数据预处理

无 

## 训练
### 单机多卡
```
bash train.sh
```

## result




### 精度
测试数据：cifar10，使用的加速卡:Z100L。

根据测试结果情况填写表格：
| 卡数 | 准确率 |
| :------: | :------: |
| 4 | 91.44% |
## 应用场景
### 算法类别
`目标检测`

### 热点应用行业
`交通,政府,金融`

## 源码仓库及问题反馈
- https://developer.hpccube.com/codes/modelzoo/mobilenetv3_pytorch
## 参考资料
- https://github.com/showlo/mobilenetv3