更换dtk24.04.1镜像

README.md

-# Vision-Transformers-cifar10_pyTorch
-## 论文
-`An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale`
-- https://arxiv.org/abs/2010.11929
-
-## 模型结构
-Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。
-
-![img](./img/vit.png)
-## 算法原理
-
-图像领域借鉴《Transformer is all you need！》算法论文中的Encoder结构提取特征，Transformer的核心思想是利用注意力模块attention提取特征：
-
-![img](./img/attention.png)
-
-## 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
-
-cd /path/workspace/
-pip install pandas==1.5.3
-```
-
-### Dockerfile（方法二）
-此处提供dockerfile的使用方法
-```
-cd ./docker
-docker build --no-cache -t yolov5:6.0 .
-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:0.10.0
-```
-`Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应`
-
-其它非深度学习库参照requirements.txt安装：
-```
-pip install -r requirements.txt
-pip install pandas==1.5.3
-```
-
-## 数据集
-`CIFAR-10`
-- http://113.200.138.88:18080/aidatasets/project-dependency/cifar
-
-训练数据目录结构如下，用于正常训练的完整数据集请按此目录结构进行制备：
-```
-├── 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
-```
-**tips：请注意在程序中设置数据集路径时，应该设置cifar-10-batches-py的上一级目录，否则会报错找不到文件**
-
-## 训练
-### 单机多卡
-```
-bash train.sh
-#默认使用四卡训练，可在train.sh脚本中修改
-```
-
-## result
-![accuracy](./img/accuracy.png)
-
-### 精度
-测试数据：[CIFAR-10](https://www.cs.toronto.edu/~kriz/cifar.html)，使用的加速卡:DCU Z100L。
-
-根据测试结果情况填写表格：
-| 卡数 | 数据精度 | 准确率 |
-| :------: | :------: | :------: |
-| 4 | fp32 | 84.91% |
-
-## 应用场景
-### 算法类别
-图像分类
-
-### 热点应用行业
-制造,环保,医疗,气象
-
-## 源码仓库及问题反馈
-- https://developer.hpccube.com/codes/modelzoo/vision-transformers-cifar10_pytorch
-
-## 参考资料
-- https://github.com/kentaroy47/vision-transformers-cifar10
+# Vision-Transformers-cifar10
+## 论文
+`An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale`
+- https://arxiv.org/abs/2010.11929
+
+## 模型结构
+Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。
+
+![img](./img/vit.png)
+## 算法原理
+
+图像领域借鉴《Transformer is all you need！》算法论文中的Encoder结构提取特征，Transformer的核心思想是利用注意力模块attention提取特征：
+
+![img](./img/attention.png)
+
+## 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:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
+
+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  -v /opt/hyhal:/opt/hyhal:ro --name docker_name imageID bash
+
+cd /path/workspace/
+pip install pandas==1.5.3
+pip install numpy==1.24.3
+```
+
+### Dockerfile（方法二）
+此处提供dockerfile的使用方法
+```
+cd ./docker
+docker build --no-cache -t vision-transformers: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 -v /opt/hyhal:/opt/hyhal:ro --name docker_name imageID bash
+pip install pandas==1.5.3
+pip install numpy==1.24.3
+
+```
+
+### 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：dtk24.04.1
+python：python3.10
+torch:2.1.0
+torchvision:0.16.0
+```
+`Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应`
+
+其它非深度学习库参照requirements.txt安装：
+```
+pip install -r requirements.txt
+pip install pandas==1.5.3
+pip install numpy==1.24.3
+```
+
+## 数据集
+`CIFAR-10`
+- http://113.200.138.88:18080/aidatasets/project-dependency/cifar
+
+训练数据目录结构如下，用于正常训练的完整数据集请按此目录结构进行制备：
+```
+├── 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
+```
+**tips：请注意在程序中设置数据集路径时，应该设置cifar-10-batches-py的上一级目录，默认是放在data文件夹下，否则会报错找不到文件**
+
+## 训练
+### 单机多卡
+```
+bash train.sh
+#默认使用四卡训练，可在train.sh脚本中修改
+```
+
+## result
+![accuracy](./img/accuracy.png)
+
+### 精度
+测试数据：[CIFAR-10](https://www.cs.toronto.edu/~kriz/cifar.html)，使用的加速卡:DCU Z100L。
+
+根据测试结果情况填写表格：
+| 卡数 | 数据精度 | 准确率 |
+| :------: | :------: | :------: |
+| 4 | fp32 | 84.91% |
+
+## 应用场景
+### 算法类别
+图像分类
+
+### 热点应用行业
+制造,环保,医疗,气象
+
+## 源码仓库及问题反馈
+- https://developer.hpccube.com/codes/modelzoo/vision-transformers-cifar10_pytorch
+
+## 参考资料
+- https://github.com/kentaroy47/vision-transformers-cifar10