# ResNet50
## 论文
Deep Residual Learning for Image Recognition
- https://arxiv.org/abs/1512.03385
## 模型结构
ResNet50模型包含了49个卷积层、一个全连接层。
## 算法原理
ResNet50使用了多个具有残差连接的残差块来解决梯度消失或梯度爆炸问题，并使得网络可以向更深层发展。
## 环境配置
### Docker（方法一）
拉取镜像：
```plaintext
docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.3.0-ubuntu20.04-dtk24.04.1-py3.10
```
创建并启动容器：
```plaintext
docker run --shm-size 16g --network=host --name=resnet50_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_migraphx:/home/resnet50_migraphx -v /opt/hyhal:/opt/hyhal:ro -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
### Dockerfile（方法二）
```plaintext
cd ./docker
docker build --no-cache -t resnet50_migraphx:2.0 .
docker run --shm-size 16g --network=host --name=resnet50_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_migraphx:/home/resnet50_migraphx -v /opt/hyhal:/opt/hyhal:ro -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
## 数据集
根据需求上传所需图像，可以对相应图像进行分类。
## 推理
### Python版本推理
下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
#### 设置环境变量
```
export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
```
#### 运行示例
```python
# 进入resnet50 migraphx工程根目录
cd
# 进入示例程序目录
cd Python/
# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```
1.offload为true的模型推理
```
python Classifier.py
```
2.offload为false的模型推理
```
python Classifier_OffloadFalse.py
```
### C++版本推理
注意：当使用操作系统不一样时，CMakeList需要做相应的修改：
```
# ubuntu操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/
# centos操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/
```
下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
#### 安装Opencv依赖
```python
cd
sh ./3rdParty/InstallOpenCVDependences.sh
```
#### 安装OpenCV并构建工程
```
rbuild build -d depend
```
#### 设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
当操作系统是ubuntu系统时：
```
export LD_LIBRARY_PATH=/depend/lib/:$LD_LIBRARY_PATH
```
当操作系统是centos系统时：
```
export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH
```
然后执行:
```
source ~/.bashrc
```
#### 运行示例
```python
# 进入resnet50 migraphx工程根目录
cd
# 进入build目录
cd build/
# 执行示例程序
./ResNet50
```
默认offload为true，如果想要offload为false，可以在./Resource/Configuration.xmlwen文件中修改Useoffloadcopy为1，再执行示例程序。
## result
### Python版本
输出结果中，每个值分别对应每个label的实际概率。
```
[[-2.07131356e-02 2.25237340e-01 -1.98313904e+00 -2.97360039e+00
...
-1.08657278e-01 3.15954179e-01 1.94901395e+00 -5.70572257e-01]]
```
### C++版本
输出结果中，每个值分别对应每个label的实际概率。
```
label:0,confidence:-0.020714
label:1,confidence:0.225237
label:2,confidence:-1.983139
label:3,confidence:-2.973600
...
label:996,confidence:-0.108657
label:997,confidence:0.315954
label:998,confidence:1.949014
label:999,confidence:-0.570572
```
### 精度
无
## 应用场景
### 算法类别
图像分类
### 热点应用行业
制造,政府,医疗,科研
## 源码仓库及问题反馈
https://developer.sourcefind.cn/codes/modelzoo/resnet50_migraphx
## 参考资料
https://github.com/onnx/models/tree/main/vision/classification/resnet