论文复现指南-CV方向#

本文为针对 CV 方向的复现指南

如果希望查阅 NLP 方向的复现指南，可以参考：NLP方向论文复现指南

如果希望查阅 推荐 方向的复现指南，可以参考：推荐方向论文复现指南

目录#

1. 总览#

1.1 背景#

以深度学习为核心的人工智能技术仍在高速发展，通过论文复现，开发者可以获得
- 学习成长：自我能力提升
- 技术积累：对科研或工作有所帮助和启发
- 社区荣誉：成果被开发者广泛使用

1.2 前序工作#

基于本指南复现论文过程中，建议开发者准备以下内容。

了解该模型输入输出格式。以AlexNet图像分类任务为例，通过阅读论文与参考代码，了解到模型输入为[batch_size, 3, 224, 244]的tensor，类型为float32或者float16，label为[batch, ]的label，类型为int64。
准备好训练/验证数据集，用于模型训练与评估
准备好fake input data以及label，与模型输入shape、type等保持一致，用于后续模型前向对齐。
- 在对齐模型前向过程中，我们不需要考虑数据集模块等其他模块，此时使用fake data是将模型结构和数据部分解耦非常合适的一种方式。
- 将fake data以文件的形式存储下来，也可以保证PaddlePaddle与参考代码的模型结构输入是完全一致的，更便于排查问题。
- 在该步骤中，以AlexNet为例，生成fake data的脚本可以参考：gen_fake_data.py。
在特定设备(CPU/GPU)上，跑通参考代码的预测过程(前向)以及至少2轮(iteration)迭代过程，保证后续基于PaddlePaddle复现论文过程中可对比。
本文档基于 AlexNet-Prod 代码以及reprod_log whl包进行说明与测试。如果希望体验，建议参考AlexNet-Reprod文档进行安装与测试。
在复现的过程中，只需要将PaddlePaddle的复现代码以及打卡日志上传至github，不能在其中添加参考代码的实现，在核验通过之后，需要删除打卡日志。建议在初期复现的时候，就将复现代码与参考代码分成2个文件夹进行管理。

2. 整体框图#

2.1 流程概览#

面对一篇计算机视觉论文，复现该论文的整体流程如下图所示。

总共包含13个步骤。为了高效复现论文，设置了6个核验点。如上图中黄色框所示。后续章节会详细介绍上述步骤和核验点，具体内容安排如下：

第3章：介绍13个复现步骤的理论知识、实战以及核验流程。
第4章：针对复现流程过程中每个步骤可能出现的问题，本章会进行详细介绍。如果还是不能解决问题，可以提ISSUE进行讨论，提ISSUE地址：https://github.com/PaddlePaddle/Paddle/issues/new/choose

2.2 reprod_log whl包#

2.2.1 reprod_log工具简介#

reprod_log是用于论文复现赛中辅助自查和核验工具。该工具源代码地址在：https://github.com/WenmuZhou/reprod_log。主要功能如下：

存取指定节点的输入输出tensor
基于文件的tensor读写
2个字典的对比验证
对比结果的输出与记录

更多API与使用方法可以参考：reprod_log API使用说明。

2.2.2 reprod_log使用demo#

下面基于代码：https://github.com/littletomatodonkey/AlexNet-Prod/tree/master/pipeline/reprod_log_demo，给出如何使用该工具。

文件夹中包含write_log.py和check_log_diff.py文件，其中write_log.py中给出了ReprodLogger类的使用方法，check_log_diff.py给出了ReprodDiffHelper类的使用方法，依次运行两个python文件，使用下面的方式运行代码。

# 进入文件夹
cd pipeline/reprod_log_demo
# 随机生成矩阵，写入文件中
python3.7 write_log.py
# 进行文件对比，输出日志
python3.7 check_log_diff.py

最终会输出以下内容

2021-09-28 01:07:44,832 - reprod_log.utils - INFO - demo_test_1:
2021-09-28 01:07:44,832 - reprod_log.utils - INFO -     mean diff: check passed: True, value: 0.0
2021-09-28 01:07:44,832 - reprod_log.utils - INFO - demo_test_2:
2021-09-28 01:07:44,832 - reprod_log.utils - INFO -     mean diff: check passed: False, value: 0.3336232304573059
2021-09-28 01:07:44,832 - reprod_log.utils - INFO - diff check failed

可以看出：对于key为demo_test_1的矩阵，由于diff为0，小于设置的阈值1e-6，核验成功；对于key为demo_test_2的矩阵，由于diff为0.33，大于设置的阈值1e-6，核验失败。

2.2.3 reprod_log在论文复现中应用#

在论文复现中，基于reprod_log的结果记录模块，产出下面若干文件

log_reprod
├── forward_paddle.npy
├── forward_torch.npy    # 与forward_paddle.npy作为一并核查的文件对
├── metric_paddle.npy
├── metric_torch.npy     # 与metric_paddle.npy作为一并核查的文件对
├── loss_paddle.npy
├── loss_torch.npy       # 与loss_paddle.npy作为一并核查的文件对
├── bp_align_paddle.npy
├── bp_align_torch.npy   # 与bp_align_paddle.npy作为一并核查的文件对
├── train_align_paddle.npy
├── train_align_benchmark.npy # PaddlePaddle提供的参考评估指标

基于reprod_log的ReprodDiffHelper模块，产出下面5个日志文件。

├── forward_diff.log     # forward_paddle.npy与forward_torch.npy生成的diff结果文件
├── metric_diff.log      # metric_paddle.npy与metric_torch.npy生成的diff结果文件
├── loss_diff.log          # loss_paddle.npy与loss_torch.npy生成的diff结果文件
├── bp_align_diff.log    # bp_align_paddle.npy与bp_align_torch.npy生成的diff结果文件
├── train_align_diff.log # train_align_paddle.npy与train_align_benchmark.npy生成的diff结果文件

上述文件的生成代码都需要开发者进行开发，核验时需要提供上面罗列的所有文件（不需要提供产生这些文件的可运行程序）以及完整的模型训练评估程序和日志。

AlexNet-Prod项目提供了基于reprod_log的前5个核验点对齐核验示例，参考代码地址为：https://github.com/littletomatodonkey/AlexNet-Prod/blob/master/pipeline/，每个文件夹中的README.md文档提供了使用说明。

3. 论文复现理论知识及实战#

3.1 模型结构对齐#

对齐模型结构时，一般有3个主要步骤：

网络结构代码转换
权重转换
模型组网正确性验证

下面详细介绍这3个部分。

3.1.1 网络结构代码转换#

【基本流程】

由于PyTorch的API和PaddlePaddle的API非常相似，可以参考PyTorch-PaddlePaddle API映射表，组网部分代码直接进行手动转换即可。

【注意事项】

如果遇到PaddlePaddle没有的API，可以尝试用多种API来组合，也可以给PaddlePaddle团队提ISSUE，获得支持。

【实战】

AlexNet网络结构的PyTorch实现: alexnet-pytorch

对应转换后的PaddlePaddle实现: alexnet-paddle

3.1.2 权重转换#

【基本流程】

组网代码转换完成之后，需要对模型权重进行转换，如果PyTorch repo中已经提供权重，那么可以直接下载并进行后续的转换；如果没有提供，则可以基于PyTorch代码，随机生成一个初始化权重(定义完model以后，使用torch.save() API保存模型权重)，然后进行权重转换。

【注意事项】

在权重转换的时候，需要注意paddle.nn.Linear以及paddle.nn.BatchNorm2D等API的权重保存格式和名称等与PyTorch稍有diff，具体内容可以参考4.1章节。

【实战】

AlexNet的代码转换脚本可以在这里查看：https://github.com/littletomatodonkey/AlexNet-Prod/blob/master/pipeline/weights/torch2paddle.py，

注意：运行该代码需要首先下载PyTorch的AlexNet预训练模型到该目录下，下载地址为：https://download.pytorch.org/models/alexnet-owt-7be5be79.pth

# https://github.com/littletomatodonkey/AlexNet-Prod/blob/master/pipeline/weights/torch2paddle.py

import numpy as np
import torch
import paddle

def transfer():
    input_fp = "alexnet-owt-7be5be79.pth"
    output_fp = "alexnet_paddle.pdparams"
    torch_dict = torch.load(input_fp)
    paddle_dict = {}
    fc_names = [
        "classifier.1.weight", "classifier.4.weight", "classifier.6.weight"
    ]
    for key in torch_dict:
        weight = torch_dict[key].cpu().detach().numpy()
        flag = [i in key for i in fc_names]
        if any(flag):
            print("weight {} need to be trans".format(key))
            weight = weight.transpose()
        paddle_dict[key] = weight
    paddle.save(paddle_dict, output_fp)

transfer()

运行完成之后，会在当前目录生成alexnet_paddle.pdparams文件，即为转换后的PaddlePaddle预训练模型。

3.1.3 模型组网正确性验证#

【基本流程】

定义PyTorch模型，加载权重，固定seed，基于numpy生成随机数，转换为PyTorch可以处理的tensor，送入网络，获取输出，使用reprod_log保存结果。
定义PaddlePaddle模型，加载权重，固定seed，基于numpy生成随机数，转换为PaddlePaddle可以处理的tensor，送入网络，获取输出，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

模型在前向对齐验证时，需要调用model.eval()方法，保证组网中的随机量被关闭，比如BatchNorm、Dropout等。
给定相同的输入数据，为保证可复现性，如果有随机数生成，固定相关的随机种子。
输出diff可以使用np.mean(np.abs(o1 - o2))进行计算，一般小于1e-6的话，可以认为前向没有问题。如果最终输出结果diff较大，可以使用二分的方法进行排查，比如说ResNet50，包含1个stem、4个res-stage、global avg-pooling以及最后的fc层，那么完成模型组网和权重转换之后，如果模型输出没有对齐，可以尝试输出中间某一个res-stage的tensor进行对比，如果相同，则向后进行排查；如果不同，则继续向前进行排查，以此类推，直到找到导致没有对齐的操作。

【实战】

AlexNet模型组网正确性验证可以参考如下示例代码： https://github.com/littletomatodonkey/AlexNet-Prod/tree/master/pipeline/Step1

【核验】

对于待复现的项目，前向对齐核验流程如下。

准备输入：fake data
- 使用参考代码的dataloader，生成一个batch的数据，保存下来，在前向对齐时，直接从文件中读入。
- 固定随机数种子，生成numpy随机矩阵，转化tensor
保存输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为tensor的值。最后将dict保存到文件中。建议命名为forward_paddle.npy和forward_pytorch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为forward_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：新建文件夹，将forward_paddle.npy、forward_pytorch.npy与forward_diff_log.txt文件放在文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- PaddlePaddle与PyTorch保存的dict的key需要保持相同，否则report过程可能会提示key无法对应，从而导致report失败，之后的【核验】环节也是如此。
- 如果是固定随机数种子，建议将fake data保存到dict中，方便check参考代码和PaddlePaddle的输入是否一致。

3.2 准备小数据集，验证集数据读取对齐#

【基本流程】

PaddlePaddle中数据集相关的API为paddle.io.Dataset，使用该接口可以完成数据集的单个样本读取。

复现完Dataset之后，可以使用paddle.io.DataLoader，构建Dataloader，对数据进行组batch、批处理，送进网络进行计算。

为后续的快速验证(训练/评估/预测)，建议准备一个小数据集（训练集和验证集各8~16张图像即可，压缩后数据大小建议在20M以内），放在lite_data文件夹下。

【注意事项】

对于一个数据集，一般有以下一些信息需要重点关注

数据集名称、下载地址
训练集/验证集/测试集图像数量、类别数量、分辨率等
数据集标注格式、标注信息
数据集通用的预处理方法

论文中一般会提供数据集的名称以及基本信息。复现过程中，我们在下载完数据之后，建议先检查下是否和论文中描述一致，否则可能存在的问题有：

数据集年份不同，比如论文中使用了MS-COCO2014数据集，但是我们下载的是MS-COCO2017数据集，如果不对其进行检查，可能会导致我们最终训练的数据量等与论文中有diff
数据集使用方式不同，有些论文中，可能只是抽取了该数据集的子集进行方法验证，此时需要注意抽取方法，需要保证抽取出的子集完全相同。
在评估指标对齐时，我们可以固定batch size，关闭Dataloader的shuffle操作。

构建数据集时，也会涉及到一些预处理方法，以CV领域为例，PaddlePaddle提供了一些现成的视觉类操作api，具体可以参考：paddle.vision类API。对应地，PyTorch中的数据处理api可以参考：torchvision.transforms类API。对于其中之一，可以找到另一个平台的实现。

此外，

有些自定义的数据处理方法，如果不涉及到深度学习框架的部分，可以直接复用。
对于特定任务中的数据预处理方法，比如说图像分类、检测、分割等，如果没有现成的API可以调用，可以参考官方模型套件中的一些实现方法，比如PaddleClas、PaddleDetection、PaddleSeg等。

【实战】

AlexNet复现过程中，准备ImageNet小数据集的脚本可以参考prepare.py。

AlexNet模型复现过程中，数据预处理和Dataset、Dataloader的检查可以参考该文件： https://github.com/littletomatodonkey/AlexNet-Prod/blob/master/pipeline/Step2/test_data.py。

使用方法可以参考数据检查文档。

3.3 评估指标对齐#

【基本流程】

PaddlePaddle提供了一系列Metric计算类，比如说Accuracy, Auc, Precision, Recall等，而PyTorch中，目前可以通过组合的方式实现metric计算，或者调用torchmetrics，在论文复现的过程中，需要注意保证对于该模块，给定相同的输入，二者输出完全一致。具体流程如下。

定义PyTorch模型，加载训练好的权重（需要是官网repo提供好的），获取评估结果，使用reprod_log保存结果。
定义PaddlePaddle模型，加载训练好的权重（需要是从PyTorch转换得到），获取评估结果，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

在评估指标对齐之前，需要注意保证对于该模块，给定相同的输入，二者输出完全一致。

【实战】

评估指标对齐检查方法可以参考文档：评估指标对齐检查方法文档

【核验】

对于待复现的项目，评估指标对齐核验流程如下。

输入：dataloader, model
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为metric_paddle.npy和metric_pytorch.npy。
- 自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为metric_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将metric_paddle.npy、metric_pytorch.npy与metric_diff_log.txt文件备份到3.1节核验环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- 数据需要是真实数据
- 需要检查论文是否只是抽取了验证集/测试集中的部分文件，如果是的话，则需要保证PaddlePaddle和参考代码中dataset使用的数据集一致。

3.4 损失函数对齐#

【基本流程】

PaddlePaddle与PyTorch均提供了很多loss function，用于模型训练，具体的API映射表可以参考：Loss类API映射列表。以CrossEntropyLoss为例，主要区别为：

PaddlePaddle提供了对软标签、指定softmax计算纬度的支持。

如果论文中使用的loss function没有指定的API，则可以尝试通过组合API的方式，实现自定义的loss function。

具体流程如下。

定义PyTorch模型，加载权重，加载fake data 和 fake label（或者固定seed，基于numpy生成随机数），转换为PyTorch可以处理的tensor，送入网络，获取loss结果，使用reprod_log保存结果。
定义PaddlePaddle模型，加载fake data 和 fake label（或者固定seed，基于numpy生成随机数），转换为PaddlePaddle可以处理的tensor，送入网络，获取loss结果，使用reprod_log保存结果。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

计算loss的时候，建议设置model.eval()，避免模型中随机量的问题。

【实战】

本部分可以参考文档：https://github.com/littletomatodonkey/AlexNet-Prod/blob/master/pipeline/Step3/README.md。

【核验】

对于待复现的项目，损失函数对齐核验流程如下。

输入：fake data & label
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为loss_paddle.npy和loss_pytorch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为loss_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将loss_paddle.npy、loss_pytorch.npy与loss_diff_log.txt文件备份到3.1节核验环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。

3.5 优化器对齐#

【基本流程】

PaddlePaddle中的optimizer有paddle.optimizer等一系列实现，PyTorch中则有torch.Optim等一系列实现。

【注意事项】

以SGD等优化器为例，PaddlePaddle与Pytorch的优化器区别主要如下。

PaddlePaddle在优化器中增加了对梯度裁剪的支持，在训练GAN或者一些NLP、多模态任务中，这个用到的比较多。
PaddlePaddle的SGD不支持动量更新、动量衰减和Nesterov动量，这里需要使用paddle.optimizer.Momentum API实现这些功能。

【实战】

本部分对齐建议对照PaddlePaddle优化器API文档与参考代码的优化器实现进行对齐，用之后的反向对齐统一验证该模块的正确性。

3.6 学习率对齐#

【基本流程】

学习率策略主要用于指定训练过程中的学习率变化曲线，这里可以将定义好的学习率策略，不断step，即可得到对应的学习率值，可以将学习率值保存在列表或者矩阵中，使用reprod_log工具判断二者是否对齐。

【注意事项】

PaddlePaddle中，需要首先构建学习率策略，再传入优化器对象中；对于PyTorch，如果希望使用更丰富的学习率策略，需要先构建优化器，再传入学习率策略类API。

【实战】

学习率复现对齐，可以参考代码：学习率对齐验证文档。

3.7 正则化策略对齐#

【基本流程】

L2正则化策略用于模型训练，可以防止模型对训练数据过拟合，L1正则化可以用于得到稀疏化的权重矩阵，PaddlePaddle中有paddle.regularizer.L1Decay与paddle.regularizer.L2Decay API。PyTorch中，torch.optim集成的优化器只有L2正则化方法，直接在构建optimizer的时候，传入weight_decay参数即可。

【注意事项】

PaddlePaddle的optimizer中支持L1Decay/L2Decay。

【实战】

本部分对齐建议对照PaddlePaddle正则化API文档与参考代码的优化器实现进行对齐，用之后的反向对齐统一验证该模块的正确性。

3.8 反向对齐#

【基本流程】

此处可以通过numpy生成假的数据和label（推荐），也可以准备固定的真实数据。具体流程如下。

检查两个代码的训练超参数全部一致，如优化器及其超参数、学习率、BatchNorm/LayerNorm中的eps等。
将PaddlePaddle与PyTorch网络中涉及的所有随机操作全部关闭，如dropout、drop_path等，推荐将模型设置为eval模式（model.eval()）
加载相同的weight dict（可以通过PyTorch来存储随机的权重），将准备好的数据分别传入网络并迭代，观察二者loss是否一致（此处batch-size要一致，如果使用多个真实数据，要保证传入网络的顺序一致）
如果经过2轮以上，loss均可以对齐，则基本可以认为反向对齐。

【注意事项】

如果第一轮loss就没有对齐，则需要仔细排查一下模型前向部分。
如果第二轮开始，loss开始无法对齐，则首先需要排查下超参数的差异，没问题的话，在loss.backward()方法之后，使用tensor.grad获取梯度值，二分的方法查找diff，定位出PaddlePaddle与PyTorch梯度无法对齐的API或者操作，然后进一步验证并反馈。

梯度的打印方法示例代码如下所示，注释掉的内容即为打印网络中所有参数的梯度shape。

    # 代码地址：https://github.com/littletomatodonkey/AlexNet-Prod/blob/63184b258eda650e7a8b7f2610b55f4337246630/pipeline/Step4/AlexNet_paddle/train.py#L93
    loss_list = []
    for idx in range(max_iter):
        image = paddle.to_tensor(fake_data)
        target = paddle.to_tensor(fake_label)

        output = model(image)
        loss = criterion(output, target)
        loss.backward()
        # for name, tensor in model.named_parameters():
        #     grad = tensor.grad
        #     print(name, tensor.grad.shape)
        #     break
        optimizer.step()
        optimizer.clear_grad()
        loss_list.append(loss)

【实战】

本部分可以参考文档：反向对齐操作文档。

【核验】

对于待复现的项目，反向对齐核验流程如下。

输入：fake data & label
输出：
- PaddlePaddle/PyTorch：dict，key为tensor的name（自定义），value为具体loss的值。最后将dict使用reprod_log保存到各自的文件中，建议命名为bp_align_paddle.npy和bp_align_pytorch.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为bp_align_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将bp_align_paddle.npy、bp_align_pytorch.npy与bp_align_diff_log.txt文件备份到3.1节核验环节新建的文件夹中，后续的输出结果和自查日志也放在该文件夹中，一并打包上传即可。
注意：
- loss需要保存至少2轮以上。
- 在迭代的过程中，需要保证模型的batch size等超参数完全相同
- 在迭代的过程中，需要设置model.eval()，使用固定的假数据，同时加载相同权重的预训练模型。

3.9 训练集数据读取对齐#

【基本流程】

该部分内容与3.2节内容基本一致，参考PyTorch的代码，实现训练集数据读取与预处理模块即可。

【注意事项】

该部分内容，可以参考3.8节的自测方法，将输入的fake data & label替换为训练的dataloader，但是需要注意的是：

在使用train dataloader的时候，建议设置random seed，对于PyTorch来说

#initialize random seed
torch.manual_seed(config.SEED)
torch.cuda.manual_seed_all(config.SEED)
np.random.seed(config.SEED)
random.seed(config.SEED)

对于PaddlePaddle来说

paddle.seed(config.SEED)
np.random.seed(config.SEED)
random.seed(config.SEED)

【实战】

本部分对齐建议对照PaddlePaddle vision高层API文档与参考代码的数据预处理实现进行对齐，用之后的训练对齐统一验证该模块的正确性。

3.10 网络初始化对齐#

【基本流程】

下面给出了部分初始化API的映射表。

PaddlePaddle API	PyTorch API
paddle.nn.initializer.KaimingNormal	torch.nn.init.kaiming_normal_
paddle.nn.initializer.KaimingUniform	torch.nn.init.kaiming_uniform_
paddle.nn.initializer.XavierNormal	torch.nn.init.xavier_normal_
paddle.nn.initializer.XavierUniform	torch.nn.init.xavier_uniform_

【注意事项】

更多初始化API可以参考PyTorch初始化API文档以及PaddlePaddle初始化API文档。

【实战】

本部分对齐建议对照PaddlePaddle 初始化API文档与参考代码的初始化实现对齐。

3.11 模型训练对齐#

【基本流程】

完成前面的步骤之后，就可以开始全量数据的训练对齐任务了。按照下面的步骤进行训练对齐。

准备train/eval data, loader, model
对model按照论文所述进行初始化(如果论文中提到加载pretrain，则按需加载pretrained model)
加载配置，开始训练，迭代得到最终模型与评估指标，将评估指标使用reprod_log保存到文件中。
将PaddlePaddle提供的参考指标使用reprod_log提交到另一个文件中。
使用reprod_log排查diff，小于阈值，即可完成自测。

【注意事项】

【强烈】建议先做完反向对齐之后再进行模型训练对齐，二者之间的不确定量包括：数据集、PaddlePaddle与参考代码在模型training mode下的区别，初始化参数。
在训练对齐过程中，受到较多随机量的影响，精度有少量diff是正常的，以ImageNet1k数据集的分类为例，diff在0.15%以内可以认为是正常的，这里可以根据不同的任务，适当调整对齐检查的阈值(ReprodDiffHelper.report函数中的diff_threshold参数)。
训练过程中的波动是正常的，如果最终收敛结果不一致，可以
- 仔细排查Dropout、BatchNorm以及其他组网模块及超参是否无误。
- 基于参考代码随机生成一份预训练模型，转化为PaddlePaddle的模型，并使用PaddlePaddle加载训练，对比二者的收敛曲线与最终结果，排查初始化影响。
- 使用参考代码的Dataloader生成的数据，进行模型训练，排查train dataloader的影响。

【实战】

本部分可以参考文档：训练对齐操作文档。

【核验】

对于待复现的项目，训练对齐核验流程如下。

输入：train/eval dataloader, model
输出：
- PaddlePaddle：dict，key为保存值的name（自定义），value为具体评估指标的值。最后将dict使用reprod_log保存到文件中，建议命名为train_align_paddle.npy。
- benchmark：dict，key为保存值的name（自定义），value为论文复现赛的评估指标要求的值。最后将dict使用reprod_log保存到文件中，建议命名为train_align_benchmark.npy。
自测：使用reprod_log加载2个文件，使用report功能，记录结果到日志文件中，建议命名为train_align_diff_log.txt，观察diff，二者diff小于特定的阈值即可。
提交内容：将train_align_paddle.npy、train_align_benchmark.npy与train_align_diff_log.txt文件备份到3.1节核验环节新建的文件夹中，最终一并打包上传即可。

3.12 规范训练日志#

【背景】

训练过程中，损失函数(loss)可以直接反映目前网络的收敛情况，数据耗时(reader_cost)对于分析GPU利用率非常重要，一个batch训练耗时(batch_cost)对于我们判断模型的整体训练时间非常重要，因此希望在训练中添加这些统计信息，便于分析模型的收敛和资源利用情况。

【基本流程】

在训练代码中添加日志统计信息，对训练中的信息进行统计。

必选项：损失值loss, 训练耗时batch_cost, 数据读取耗时reader_cost。
建议项：当前epoch, 当前迭代次数iter，学习率(lr), 准确率(acc)等。

[2021/12/04 05:16:13] root INFO: [epoch 0, iter 0][TRAIN]avg_samples: 32.0 , avg_reader_cost: 0.0010543 sec, avg_batch_cost: 0.0111100 sec, loss: 0.3450000 , avg_ips: 2880.2952878 images/sec
[2021/12/04 05:16:13] root INFO: [epoch 0, iter 0][TRAIN]avg_samples: 32.0 , avg_reader_cost: 0.0010542 sec, avg_batch_cost: 0.0111101 sec, loss: 0.2450000 , avg_ips: 2880.2582019 images/sec

如果训练中同时包含评估过程，则也需要在日志里添加模型的评估结果信息。

【注意事项】

日志打印也比较耗时，这里不建议统计其耗时，防止对统计结果造成影响。

【实战】

参考代码：train.py。

具体地，规范化的训练日志可以按照如下所示的方式实现。

def train_one_epoch(model,
                    criterion,
                    optimizer,
                    data_loader,
                    epoch,
                    print_freq):
    model.train()
    # training log
    train_reader_cost = 0.0
    train_run_cost = 0.0
    total_samples = 0
    acc = 0.0
    reader_start = time.time()
    batch_past = 0

    for batch_idx, (image, target) in enumerate(data_loader):
        train_reader_cost += time.time() - reader_start
        train_start = time.time()
        output = model(image)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        optimizer.clear_grad()
        train_run_cost += time.time() - train_start
        acc = utils.accuracy(output, target).item()
        total_samples += image.shape[0]
        batch_past += 1

        if batch_idx > 0 and batch_idx % print_freq == 0:
            msg = "[Epoch {}, iter: {}] acc: {:.5f}, lr: {:.5f}, loss: {:.5f}, avg_reader_cost: {:.5f} sec, avg_batch_cost: {:.5f} sec, avg_samples: {}, avg_ips: {:.5f} images/sec.".format(
                epoch, batch_idx, acc / batch_past,
                optimizer.get_lr(),
                loss.item(), train_reader_cost / batch_past,
                (train_reader_cost + train_run_cost) / batch_past,
                total_samples / batch_past,
                total_samples / (train_reader_cost + train_run_cost))
            # just log on 1st device
            if paddle.distributed.get_rank() <= 0:
                print(msg)
            sys.stdout.flush()
            train_reader_cost = 0.0
            train_run_cost = 0.0
            total_samples = 0
            acc = 0.0
            batch_past = 0

        reader_start = time.time()

3.13 预测程序开发#

【基本流程】

模型训练完成之后，对图像使用该模型基于训练引擎进行预测，主要包含

定义模型结构，加载模型权重；
加载图像，对其进行数据预处理；
模型预测；
对模型输出进行后处理，获取最终输出结果。

【注意事项】

在模型评估过程中，为了保证数据可以组batch，我们一般会使用resize/crop/padding等方法去保持尺度的一致性，在预测推理过程中，需要注意crop是否合适，比如OCR识别任务中，crop的操作会导致识别结果不全。

【实战】

AlexNet的预测程序：predict.py。

【核验】

预测程序按照文档中的命令操作可以正常跑通，文档中给出预测结果可视化结果或者终端输出结果。

3.14 单机多卡训练#

如果希望使用单机多卡提升训练效率，可以从以下几个过程对代码进行修改。

3.14.1 数据读取#

对于PaddlePaddle来说，多卡数据读取这块主要的变化在sampler

对于单机单卡，sampler实现方式如下所示。

train_sampler = paddle.io.RandomSampler(dataset)
train_batch_sampler = paddle.io.BatchSampler(
    sampler=train_sampler, batch_size=args.batch_size)

对于单机多卡任务，sampler实现方式如下所示。

train_batch_sampler = paddle.io.DistributedBatchSampler(
        dataset=dataset,
        batch_size=args.batch_size,
        shuffle=True,
        drop_last=False
    )

注意：在这种情况下，单机多卡的代码仍然能够以单机单卡的方式运行，因此建议以这种sampler方式进行论文复现。

3.14.2 多卡模型初始化#

如果以多卡的方式运行，需要初始化并行训练环境，代码如下所示。

if paddle.distributed.get_world_size() > 1:
        paddle.distributed.init_parallel_env()

在模型组网并初始化参数之后，需要使用paddle.DataParallel()对模型进行封装，使得模型可以通过数据并行的模式被执行。代码如下所示。

if paddle.distributed.get_world_size() > 1:
    model = paddle.DataParallel(model)

3.14.3 模型保存、日志保存等其他模块#

以模型保存为例，我们只需要在0号卡上保存即可，否则多个trainer同时保存的话，可能会造成写冲突，导致最终保存的模型不可用。

3.14.4 程序启动方式#

对于单机单卡，启动脚本如下所示。

export CUDA_VISIBLE_DEVICES=0
python3.7 train.py \
    --data-path /paddle/data/ILSVRC2012_torch \
    --lr 0.00125 \
    --batch-size 32 \
    --output-dir "./output/"

对于单机多卡（示例中为8卡训练），启动脚本如下所示。

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

python3.7 -m paddle.distributed.launch \
    --gpus="0,1,2,3,4,5,6,7" \
    train.py \
    --data-path /paddle/data/ILSVRC2012_torch \
    --lr 0.01 \
    --batch-size 32 \
    --output-dir "./output/"

注意：这里8卡训练时，虽然单卡的batch size没有变化(32)，但是总卡的batch size相当于是单卡的8倍，因此学习率也设置为了单卡时的8倍。

【实战】

本部分可以参考文档：单机多卡训练脚本。

4. 论文复现注意事项与FAQ#

本部分主要总结大家在论文复现赛过程中遇到的问题，如果本章内容没有能够解决你的问题，欢迎给该文档提出优化建议或者给Paddle提ISSUE。

4.1 通用注意事项#

需要仔细对照PaddlePaddle与参考代码的优化器参数实现，确保优化器参数严格对齐。
如果遇到一些Paddle不支持的API操作，可以尝试使用替代实现进行复现。如下面的PyTorch代码，PaddlePaddle中可以通过slice + concat API的组合形式进行功能实现。同时，对于这个问题，建议优先给Paddle提ISSUE，列出Paddle不支持的实现，开发人员会根据优先级进行开发。

torch.stack([
    per_locations[:, 0] - per_box_regression[:, 0],
    per_locations[:, 1] - per_box_regression[:, 1],
    per_locations[:, 0] + per_box_regression[:, 2],
    per_locations[:, 1] + per_box_regression[:, 3],
], dim=1)

如果遇到Paddle不包含的OP或者API，比如(1) 如果是某些算法实现存在调用了外部OP，而且Paddle也不包含该OP实现；(2) 其他框架存在的API或者OP，但是Paddle中没有这些OP。此时：
- 对于Paddle资深用户来说，可以尝试使用Paddle的自定义算子功能，存在一定的代码开发量。
- 对于初学者来说，可以给Paddle提ISSUE，列出Paddle不支持的实现，Paddle开发人员会根据优先级进行实现。
PaddlePaddle与PyTorch对于不同名称的API，实现的功能可能是相同的，复现的时候注意，比如paddle.optimizer.lr.StepDecay与torch.optim.lr_scheduler.StepLR ，关于PaddlePaddle与PyTorch更多API的映射关系可以参考：API映射表。
对于PaddlePaddle来说，通过paddle.set_device函数（全局）来确定模型结构是运行在什么设备上，对于torch来说，是通过model.to("device") （局部）来确定模型结构的运行设备，这块在复现的时候需要注意。
安装paddle的develop版本：在 Paddle 修复了框架的问题或者新增了API和功能之后，如果需要马上使用，可以采用以下方式安装最新的 develop 版本：
- 进入 Paddle 官网，选择develop版本，并根据自己的情况选择其他字段，根据生成的安装信息安装，当选择 Linux-pip-CUDA10.2字段后，就可以按照下面的信息安装。
```
python -m pip install paddlepaddle-gpu==0.0.0.post102 -f https://www.paddlepaddle.org.cn/whl/linux/gpu/develop.html
```
- 如果不确定自己安装的是否是最新版本，可以进入网站下载对应的包并查看时间戳。
如果遇到复现时间较长的论文，我们建议：
- 根据自己的时间、资源、战略部署评估是否复现这个论文复现；
- 在决定复现的情况下，参照本复现指南中的对齐操作对模型、数据、优化方式等对齐，以最快的时间排除问题。

4.2 模型结构对齐#

4.2.1 API#

对于 paddle.nn.Linear 层的weight参数，PaddlePaddle与PyTorch的保存方式不同，在转换时需要进行转置，示例代码可以参考AlexNet权重转换脚本。
```
paddle.nn.BatchNorm2D
```
包含4个参数
```
weight
```
,
```
bias
```
,
```
_mean
```
,
```
_variance
```
，torch.nn.BatchNorm2d包含4个参数
```
weight
```
,
```
bias
```
,
```
running_mean
```
,
```
running_var
```
,
```
num_batches_tracked
```
。其中，
```
num_batches_tracked
```
在PaddlePaddle中没有用到，剩下4个的对应关系为
- weight -> weight
- bias -> bias
- _variance -> running_var
- _mean -> running_mean
paddle.nn.AvgPool2D需要将 exclusive 参数设为 False ，结果才能 PyTorch 的默认行为一致。
torch.masked_fill函数的功能目前可以使用paddle.where进行实现，可以参考：链接。
pack_padded_sequence和pad_packed_sequence这两个API目前PaddlePaddle中没有实现，可以直接在RNN或者LSTM的输入中传入sequence_length来实现等价的功能。

4.2.2 权重转换#

在权重转换的时候，不能只关注参数的名称，比如说有些paddle.nn.Linear层，但是定义的变量名称为conv，这种也是需要进行权重转置的。
权重转换时，建议同时打印 Paddle 和 PyTorch 对应权重的shape，以防止名称相似但是shape不同的参数权重转换报错。

4.2.3 模型组网正确性验证#

在论文复现的过程中，可能会遇到一些经典的模型结构，比如ResNet等，Paddle官方也提供了ResNet的实现，但是这里建议自己根据PyTorch代码重新实现一遍，一方面是对整体的模型结构更加熟悉，另一方面也保证模型结构和权重完全对齐。
在复杂的网络结构中，如果前向结果对不齐，可以按照模块排查问题，比如依次获取backbone、neck、head输出等，看下问题具体出现在哪个子模块，再进到子模块详细排查。
网络结构对齐后，尽量使用训练好的预训练模型和真实的图片进行前向diff计算，这样更准确。

4.3 验证/测试集数据读取对齐#

如果使用 PaddlePaddle 提供的数据集API，比如 paddle.vision.datasets.Cifar10等，可能无法完全与参考代码在数据顺序上保持一致，但是这些数据集的实现都是经过广泛验证的，可以使用。此时对数据预处理和后处理进行排查就好。数据集+数据处理的部分可以通过评估指标对齐完成自查。
需要仔细排查数据预处理，不仅包含的预处理方法相同，也需要保证预处理的流程相同，比如先padding再做归一化与先做归一化再padding，得到的结果是不同的。

4.4 评估指标对齐#

真实数据评估时，需要注意评估时 paddle.io.DataLoader 的 drop_last 参数是否打开(文档链接)，复现代码需要与参考代码保持一致，否则最后不够batch-size的数据的评估会有diff。
在识别或者检索过程中，为了加速评估过程，往往会将评估函数由CPU实现改为GPU实现，由此会带来评估函数输出的不一致。这是由于sort函数对于相同值的排序结果不同带来的。在复现的过程中，如果可以接受轻微的指标不稳定，可以使用PaddlePaddle的sort函数，如果对于指标非常敏感，同时对速度性能要求很高，可以给PaddlePaddle提ISSUE，由研发人员高优开发。
在检测任务中，评估流程往往和训练流程有一定差异，例如RPN阶段NMS的参数等，这里需要仔细检查评估时的超参数，不要将训练超参和评估超参弄混淆。
在OCR等任务中，需要注意评估过程也会对gt信息进行修正，比如大小写等，也会过滤掉一些样本，这里需要注意过滤规则，确保有效评估数据集一致。

4.5 损失函数对齐#

部分算法的损失函数中会用到 bool 索引，这时候可以使用paddle.where 代替。
paddle.nn.CrossEntropyLoss 默认是在最后一维(axis=-1)计算损失函数，而 torch.nn.CrossEntropyLoss 是在axis=1的地方计算损失函数，因此如果输入的维度大于2，这里需要保证计算的维(axis)相同，否则可能会出错。
在生成模型中会遇到梯度损失，需要对模型中的算子求二次梯度，目前MaxPooling暂时不支持二次梯度，如果复现的过程中遇到了需要对MaxPooling求二次梯度的情况，可以和Paddle官方开发同学反馈，进一步确认解决方案。
在保存损失函数值的时候，注意要使用paddle.no_grad，或者仅仅保存转换成 numpy 的数组，避免损失没有析构导致内存泄漏问题。

# 错误示范
loss = celoss(pred, label)
avg_loss += loss
# 正确示范1
loss = celoss(pred, label)
avg_loss += loss.numpy()
# 正确示范2
loss = celoss(pred, label)
with paddle.no_grad()
    avg_loss += loss

目前PaddlePaddle中没有HingeEmbeddingLoss API，可以使用组合的方式进行实现，参考实现：链接。

4.6 优化器对齐#

Paddle目前支持在 optimizer 中通过设置 params_groups 的方式设置不同参数的更新方式，可以参考代码示例。
有些模型训练时，会使用梯度累加策略，即累加到一定step数量之后才进行参数更新，这时在实现上需要注意对齐。
在某些任务中，比如说深度学习可视化、可解释性等任务中，一般只要求模型前向过程，不需要训练，此时优化器、学习率等用于模型训练的模块对于该类论文复现是不需要的。
在图像分类领域，大多数Vision Transformer模型都采用了AdamW优化器，并且会设置weigh decay，同时部分参数设置为no weight decay，例如位置编码的参数通常设置为no weight decay，no weight decay参数设置不正确，最终会有明显的精度损失，需要特别注意。一般可以通过分析模型权重来发现该问题，分别计算官方模型和复现模型每层参数权重的平均值、方差，对每一层依次对比，有显著差异的层可能存在问题，因为在weight decay的作用下，参数权重数值会相对较小，而未正确设置no weight decay，则会造成该层参数权重数值异常偏小。
在OCR识别等任务中，Adadelta优化器常常被使用，该优化器与PyTorch实现目前稍有不同，但是不影响模型训练精度对齐，在做前反向对齐时，需要注意可以将该优化器替换为Adam等优化器（PaddlePaddle与参考代码均需要替换）；对齐完成之后，再使用Adadelta优化器进行训练对齐。

4.7 学习率对齐#

PaddlePaddle 中参数的学习率受到优化器学习率和ParamAttr中设置的学习率影响，因此跟踪学习率需要将二者结合进行跟踪。
对于复现代码和参考代码，学习率在整个训练过程中在相同的轮数相同的iter下应该保持一致，可以通过reprod_log工具、打印学习率值或者可视化二者学习率的log来查看diff。
有些网络的学习率策略比较细致，比如带warmup的学习率策略，这里需要保证起始学习率等参数都完全一致。
torch.optim.lr_scheduler.MultiplicativeLR API目前PaddlePaddle中没有实现，可以使用paddle.optimizer.lr.LambdaDecay替换实现，参考代码：链接。

4.8 正则化策略对齐#

在如Transformer或者少部分CNN模型中，存在一些参数不做正则化(正则化系数为0)的情况。这里需要找到这些参数并对齐取消实施正则化策略，可以参考这里，对特定参数进行修改。

4.9 反向对齐#

Paddle打印反向和参数更新，可以参考代码实例；PyTorch打印反向和参数更新，可以参考代码实例。
反向对齐时，如果第二轮开始，loss开始无法对齐，则首先需要排查下超参数的差异，没问题的话，在loss.backward()方法之后，使用tensor.grad获取梯度值，二分的方法查找diff，定位出PaddlePaddle与PyTorch梯度无法对齐的API或者操作，然后进一步验证。第3章中给出了获取所有参数的梯度方法，如果只希望打印特定参数的梯度，可以用下面的方式。

import paddle

def print_hook_fn(grad):
    print(grad)

x = paddle.to_tensor([0., 1., 2., 3.], stop_gradient=False)
h = x.register_hook(print_hook_fn)
w = x * 4
w.backward()
# backward之后会输出下面的内容
#     Tensor(shape=[4], dtype=float32, place=CPUPlace, stop_gradient=False,
#            [4., 4., 4., 4.])

4.10 训练集数据读取对齐#

4.10.1 API#

在前向过程中，如果数据预处理过程运行出错，请先将 paddle.io.DataLoader 的 num_workers 参数设为0，然后根据单个进程下的报错日志定位出具体的bug。
如果使用PaddlePaddle提供的数据集API，比如paddle.vision.datasets.Cifar10等，可能无法完全与参考代码在数据顺序上保持一致，如果是全量数据使用，对结果不会有影响，如果是按照比例选取子集进行训练，则建议重新根据参考代码实现数据读取部分，保证子集完全一致。

4.10.2 数据预处理#

数据读取需要注意图片读取方式是opencv还是PIL.Image，图片格式是RGB还是BGR，复现时，需要保证复现代码和参考代码完全一致。
如果数据处理过程中涉及到随机数生成，建议固定seed (np.random.seed(0), random.seed(0))，查看复现代码和参考代码处理后的数据是否有diff。
不同的图像预处理库，使用相同的插值方式可能会有diff，建议使用相同的库对图像进行resize。
视频解码时，不同库解码出来的图像数据会有diff，注意区分解码库是opencv、decord还是pyAV，需要保证复现代码和参考代码完全一致。

4.11 网络初始化对齐#

4.11.1 网络初始化通用问题#

对于不同的深度学习框架，网络初始化在大多情况下，即使值的分布完全一致，也无法保证值完全一致，这里也是论文复现中不确定性比较大的地方。如果十分怀疑初始化导致的问题，建议将参考的初始化权重转成paddle模型，加载该初始化模型训练，看下收敛精度。

Paddle中目前没有torch.nn.init.constant_()的方法，如果希望对参数赋值为常数，可以使用paddle.nn.initializer.ConstantAPI；或者可以参考下面的实现。更加具体的解释可以参考：链接。

import paddle
import paddle.nn as nn
import numpy as np

# Define the linear layer.
m = paddle.nn.Linear(2, 4)
print(m.bias)
if isinstance(m, nn.Layer):
    print("set m.bias")
    m.bias.set_value(np.ones(shape=m.bias.shape, dtype="float32"))
    print(m.bias)

4.11.2 细分场景特定问题#

CNN对于模型初始化相对来说没有那么敏感，在迭代轮数与数据集足够的情况下，最终精度指标基本接近；而transformer系列模型对于初始化比较敏感，在transformer系列模型训练对齐过程中，建议对这一块进行重点检查。
生成模型尤其是超分模型，对初始化比较敏感，建议对初始化重点检查。
领域自适应算法由于需要基于初始模型生成伪标签，因此对初始网络敏感，建议加载预训练的模型进行训练。

4.12 模型训练对齐#

4.12.1 训练对齐通用问题#

有条件的话，复现工作之前最好先基于官方代码完成训练，保证与官方指标能够对齐，并且将训练策略和训练过程中的关键指标记录保存下来，比如每个epoch的学习率、Train Loss、Eval Loss、Eval Acc等，在复现网络的训练过程中，将关键指标保存下来，这样可以将两次训练中关键指标的变化曲线绘制出来，能够很方便的进行对比。
训练过程中可以对loss或者acc进行可视化，和竞品loss或者acc进行直观的对比；如果训练较大的数据集，1次完整训练的成本比较高，此时可以隔一段时间查看一下，如果精度差异比较大，建议先停掉实验，排查原因。
如果训练的过程中出nan，一般是因为除0或者log0的情况，可以着重看下几个部分：
- 如果有预训练模型的话，可以确认下是否加载正确
- 确认下reader的预处理中是否会出现box（或mask）为空的情况
- 模型结构中计算loss的部分是否有考虑到正样本为0的情况
- 也可能是某个API的数值越界导致的，可以测试较小的输入是否还会出现nan。
如果训练过程中出现不收敛的情况，可以
- 简化网络和数据，实验是否收敛；
- 如果是基于原有实现进行改动，可以尝试控制变量法，每次做一个改动，逐个排查；
- 检查学习率是否过大、优化器设置是否合理，排查下weight decay是否设置正确；
- 保存不同step之间的模型参数，观察模型参数是否更新。

4.12.2 细分场景特定问题#

小数据上指标波动可能比较大，时间允许的话，可以跑多次实验，取平均值。
transformer 系列模型对于数据增广与模型初始化非常敏感，因此在保证前反向对齐后，如果训练仍无法对齐，可以考虑使用官方的PyTorch模型训练代码，结合复现的Paddle组网代码进行训练，这样可以验证是否是数据预处理/数据增强策略存在问题。
检测、分割等任务中，训练通常需要加载backbone的权重作为预训练模型，注意在完成模型对齐后，将转换的权重修改为backbone权重。
生成任务中，训练时经常需要固定一部分网络参数。对于一个参数param，可以通过param.trainable = False来固定。
在训练GAN时，通常通过GAN的loss较难判断出训练是否收敛，建议每训练几次迭代保存一下训练生成的图像，通过可视化判断训练是否收敛。
在训练GAN时，如果PaddlePaddle实现的代码已经可以与参考代码完全一致，参考代码和PaddlePaddle代码均难以收敛，则可以在训练的时候，可以判断一下loss，如果loss大于一个阈值或者直接为NAN，说明训崩了，就终止训练，使用最新存的参数重新继续训练。可以参考该链接的实现：链接。

4.13 规范训练日志#

autolog支持训练和预测的日志规范化，更多关于autolog的使用可以参考：https://github.com/LDOUBLEV/AutoLog。

4.14 预测程序开发#

4.15 常见bug汇总#

在论文复现中，可能因为各种原因出现报错，下面我们列举了常见的问题和解决方法，从而提供debug的方向：

4.15.1 显存泄露#

显存泄露会在 nvidia-smi 等命令下，明显地观察到显存的增加，最后会因为 out of memory 的错误而程序终止。

可能原因：

Tensor 切片的时候增加变量引用，导致显存增加。解决方法如下：

使用 where, gather 函数替代原有的 slice 方式：

a = paddle.range(3)
c = paddle.ones([3])
b = a>1
# 会增加引用的一种写法
c[b] = 0
# 修改后
paddle.where(b, paddle.zeros(c.shape), c)

4.15.2 内存泄露#

内存泄露和显存泄露相似，并不能立即察觉，而是在使用 top 命令时，观察到内存显著增加，最后会因为 can't allocate memory 的错误而程序终止，如图所示是 top 命令下观察内存变化需要检查的字段。

可能原因：

对在计算图中的 tensor 进行了不需要的累加、保存等操作，导致反向传播中计算图没有析构，解决方法如下：

预测阶段：在predict函数上增加装饰器@paddle.no_grad()；在预测部分的代码前加上 with paddle.no_grad()

训练阶段：对于不需要进行加入计算图的计算，将tensor detach出来；对于不需要使用tensor的情形，将 tensor 转换为numpy进行操作，例如下面的代码：
```
cross_entropy_loss = paddle.nn.CrossEntropyLoss()
loss = cross_entropy_loss(pred, gt)
# 会导致内存泄露的操作
loss_total += loss
# 修改后
loss_total += loss.numpy() # 如果可以转化为numpy
loss_total += loss.detach().clone() # 如果需要持续使用tensor
```

排查方法：

在没有使用 paddle.no_grad 的代码中，寻找对模型参数和中间计算结果的操作；
考虑这些操作是否应当加入计算图中（即对最后损失产生影响）；
如果不需要，则需要对操作中的参数或中间计算结果进行.detach().clone()或者.numpy 后操作。

4.15.3 dataloader 加载数据时间长#

解决方式：增大 num_worker 的值，提升io速度，一般建议设置 4 或者 8。

4.15.4 单机多卡报错信息不明确#

解决方式：前往 log 下寻找 worklog.x 进行查看，其中 worklog.x 代表第 x 卡的报错信息。

论文复现指南-CV方向

Contents

论文复现指南-CV方向#

目录#

1. 总览#

1.1 背景#

1.2 前序工作#

2. 整体框图#

2.1 流程概览#

2.2 reprod_log whl包#

2.2.1 reprod_log工具简介#

2.2.2 reprod_log使用demo#

2.2.3 reprod_log在论文复现中应用#

3. 论文复现理论知识及实战#

3.1 模型结构对齐#

3.1.1 网络结构代码转换#

3.1.2 权重转换#

3.1.3 模型组网正确性验证#

3.2 准备小数据集，验证集数据读取对齐#

3.3 评估指标对齐#

3.4 损失函数对齐#

3.5 优化器对齐#

3.6 学习率对齐#

3.7 正则化策略对齐#

3.8 反向对齐#

3.9 训练集数据读取对齐#

3.10 网络初始化对齐#

3.11 模型训练对齐#

3.12 规范训练日志#

3.13 预测程序开发#

3.14 单机多卡训练#

3.14.1 数据读取#

3.14.2 多卡模型初始化#

3.14.3 模型保存、日志保存等其他模块#

3.14.4 程序启动方式#

4. 论文复现注意事项与FAQ#

4.1 通用注意事项#

4.2 模型结构对齐#

4.2.1 API#

4.2.2 权重转换#

4.2.3 模型组网正确性验证#

4.3 验证/测试集数据读取对齐#

4.4 评估指标对齐#

4.5 损失函数对齐#

4.6 优化器对齐#

4.7 学习率对齐#

4.8 正则化策略对齐#

4.9 反向对齐#

4.10 训练集数据读取对齐#

4.10.1 API#

4.10.2 数据预处理#

4.11 网络初始化对齐#

4.11.1 网络初始化通用问题#

4.11.2 细分场景特定问题#

4.12 模型训练对齐#

4.12.1 训练对齐通用问题#

4.12.2 细分场景特定问题#

4.13 规范训练日志#

4.14 预测程序开发#

4.15 常见bug汇总#

4.15.1 显存泄露#

4.15.2 内存泄露#

4.15.3 dataloader 加载数据时间长#

4.15.4 单机多卡报错信息不明确#