经验啦

  1. 首页 > 科技 > >

惠普|惠普最新推出的AI开发平台测评：多用户协同开发模型和算力资源管理的有力工具！( 七 )

GPU惠普删除数据科学


很多人脸识别系统利用可见光人脸图像进行活体检测 ， 识别性能易受到光照条件的影响 。
同时 ， 基于可见光光谱的识别方式也很难应对常见的伪造攻击 。 使用多模态数据进行活体检测建模 ， 能有效缓解这些问题 。 融合多种成像设备的图像信息 ， 比如可见光 ， 近红外和深度图像等 ， 既能提升模型的识别性能 ， 也能减少光照条件对性能的干扰 。
本次实验 ， 我们使用 HP AI 开发平台 ， 搭建并训练深度学习模型 ， 用于人脸活体检测 。 数据集采用了 CASIA-SURF 集合 。 该数据集含有人脸可见光图 ， 近红外和深度图三种模态信息 ， 包含了1000个个体样本的21000段视频 。 采集设备是英特尔的 RealSense 立体相机 。
模型结构方面 ， 我们会实验多种不同架构 ， 包括 CNN 类型的架构 FaceBagNet 模型 ，MLP 类的架构 ， （如 VisionPermutator ， MLPMixer 等） ， 还有近期非常热门的Vision Transformer（ViT）模型 。 并且比对这些模型在该任务上的性能 。

图表 2.2.12.2、实验流程
2.2.1、环境配置
（1）进入实验平台 ， 新建交互任务 Terminal ， 选择合适的镜像 ， 需要包含实验所需的软件库（ PyTorch， OpenCV 等） 。 实验平台首页 ， 展示了目前的资源状态：正在执行的任务数量 ， 可分配的资源等 。

图表2.2.2（2）左侧栏选择“模型开发”-“交互式开发” ， 并且点击红色框指定的新建按钮 。

图表2.2.3（3）进一步选择 Terminal ， 设置密码（用于后续 ssh 登陆） ， 选择内存大小 ， CPU ， GPU数量 。 根据实验需要设置 。 我们选取内存 32G， 16核 CPU ， 和一颗 A5000 型号的 GPU 用于本次实验 。

图表2.2.4（4）最下方可以选择本地实验使用的镜像环境 ， 该平台提供了公用的基础镜像 ， 我们也可以配置自己的私有镜像环境 。

图表2.2.5（5）创建成功后 ， 会显示正在运行的应用 。 此时可以用过命令“ssh -p 25875 root@192.168.88.80”远程连接进行创建好的环境 。

图表2.2.62.2.2、实验运行

如图所示 ， 模型已经开始训练 ， 单卡 A5000下 ， 训练效率很高 ， 一个 epoch 只需要不到一分钟的时间 。 同时 GPU 的占用率一直业保持在80-90% 。 模型的 log 文件和最终的模型文件都会存储在对应的 Models 路径下 。 在训练开始时 ， 终端开始打印 log， 训练过程中 GPU 的占用率在80-90% 。
2.3、实验结果
为了有效对比多个模型的性能 ， 我们使用该平台训练了多个不同结构 ， 不同参数的模型 。 我们在验证集合上测试了模型性能 ， 使用了 ACER（Average ClassificationError Rate ）指标 。 指标越低 ， 说明模型性能越好 。
下表展示了单一模态下 ， 各个模型的性能比较 。 整体上看 ， 使用深度图数据的模型 ， 会显著优于其他两种单一模态模型 。 FaceBagNet， ConvMixer 和 MLPMixer 都有比较好的性能 。

图表2.2.7 单模态模型性能测试同时我们测试了三种 patch size 下 ， 两种多模态建模模型的性能 ，FaceBagNetFusion 的效果在各个参数下都显著优于ViT模型 。 相比于表表2.2.7中的数据 ， 多模态建模的结果均优于单一模态的建模结果 。

图表2.2.82.4、实验感受
Q1：你在本次实验中训练了多个不同结构和不同参数的模型 ， 管理员分配给你的2/3分区资源是否满足了训练要求？
沈涛：我的实验主要是依赖 GPU 算力 ， 对 CPU 和内存的需求相对较少 。 NVIDIA A5000 GPU 的单卡训练效率已经足够高 ， 如果使用混合精度训练等技术 ， 效率会进一步提升 。
Q2：你在本次实验中进行了私有镜像的上传 ， 是否顺畅？镜像使用中有没有遇到兼容性或不稳定等问题？

相关经验推荐


上一篇：|全部50元以下 这些小家电买到就是赚

下一篇：英特尔|耳机品牌233621竟然也玩起了3秒记忆大挑战