企业官网建设流程全解析

• 人工智能
• 大模型
• 微调
• 模型推理服务

本文以 PaddleFormers 仓库中的 rexnet_3_0_imagenet 模块 为核心，完整讲解基于 PaddleHub 的 ReXNet 图像分类模型的安装、命令行与 Python API 预测、Flowers 数据集 Fine-tune 以及 Serving 在线服务部署全流程。读完本文，你将掌握如何在本地通过hub install/hub run快速体验 1000 类 ImageNet 分类，使用Trainer完成自定义花卉分类任务的迁移学习，并将训练好的模型一键封装为 HTTP 分类服务。

一、模型基本信息

1.1 模块速览

该模块由 module.py 实现，通过@moduleinfo声明了name="rexnet_3_0_imagenet"、type="CV/classification"、version="1.0.0"等元信息，并以ImageClassifierModule作为元基类，因此天然继承了 PaddleHub 图像分类模块的predict、命令行hub run与 Serving 能力（详见 cv_module.py）。

1.2 ReXNet 网络原理

ReXNet 由 NAVER AI Lab 提出，是一套基于新网络设计原则设计的网络。作者认为常规网络设计会产生表征瓶颈（Representational Bottleneck），从而影响模型性能。为研究表征瓶颈，作者研究了由一万个随机网络生成的特征矩阵的秩（Rank），并研究了整个层的通道配置以设计更准确的网络架构，最终提出了一套简单有效的设计原则来缓解表征瓶颈。

从本仓库的 module.py 源码结构看，模型实现与论文设计原则一一对应：

• 通道渐进式扩展：input_ch=16、final_ch=180、width_mult=3.0，在构造特征层时每个 block 的通道数按inplanes += final_ch / (self.depth // 3 * 1.0)线性递增，确保每一层都成为扩展层（expand layer），避免出现表征瓶颈；
• Linear Bottleneck 堆叠：核心算子LinearBottleneck（module.py 中定义）由 1x1 扩展卷积 + 3x3 深度可分离卷积（groups=dw_channels）+ 可选 SE 模块 + 1x1 投影构成，采用 Swish / ReLU6 激活；
• SE 注意力：use_se=True、se_ratio=12，SE类通过全局平均池化与 1x1 卷积生成通道注意力并加权；
• 深度与宽度配置：depth_mult=1.0，各阶段 block 数为[1, 2, 2, 3, 3, 5]，步长为[1, 2, 2, 2, 1, 2]，SE 使用位置为[False, False, True, True, True, True]；
• 分类头：nn.Dropout(dropout_ratio)（默认 0.2）后接 1x1 卷积映射到class_dim（默认 1000）个类别。

1.3 类别标签

模块目录下的 label_list.txt 共包含 1000 行，即 ImageNet-2012 的 1000 个类别，从tench、goldfish到ear、toilet tissue。ReXNetV1.__init__中，若未显式传入label_list，则会自动读取该文件并据此设置class_dim = len(self.labels)。

二、安装与环境依赖

2.1 环境依赖

使用本模型需要满足：

• paddlepaddle >= 2.0.0
• paddlehub >= 2.0.0

2.2 安装模块

在终端执行：

$ hub install rexnet_3_0_imagenet

安装时会自动下载模型权重。若安装遇到问题，可参考仓库中的零基础安装文档：

• 零基础 Windows 安装
• 零基础 Linux 安装
• 零基础 MacOS 安装

三、模型 API 预测

3.1 命令行预测

安装完成后，直接通过hub run对单张图片进行 Top-K 分类预测：

$ hub run rexnet_3_0_imagenet --input_path "/PATH/TO/IMAGE" --top_k 5

该命令最终由ImageClassifierModule.run_cmd（cv_module.py 中定义）解析执行：--input_path指定图片路径（必填），--top_k指定返回概率最高的类别个数（默认为 1），解析后调用self.predict(images=[args.input_path], top_k=args.top_k)。

3.2 Python API 预测

在代码中加载模型并预测：

import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='rexnet_3_0_imagenet') result = model.predict(['flower.jpg'])

model.predict的签名与行为（定义于 cv_module.py 的ImageClassifierModule.predict）为：

• images(list[np.ndarray])：待预测图片，元素为 BGR 格式的np.ndarray；
• batch_size(int)：预测批大小，默认 1；
• top_k(int)：每张图返回概率最高的 k 个类别，默认 1。

其内部流程为：对每张图执行模块内置的预处理self.transforms（Resize 到 256x256、CenterCrop 224、按 ImageNet 均值方差 Normalize），前向得到 logits 后经F.softmax转为概率，再np.argsort取 Top-K，最后以{类别名: 概率}字典列表形式返回。

模块内置预处理与 Fine-tune 时使用的预处理完全一致（定义于 module.py 的ReXNetV1.transforms）：

transforms = T.Compose([ T.Resize((256, 256)), T.CenterCrop(224), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ], to_rgb=True)

3.3 如何开始 Fine-tune

在完成 PaddlePaddle 与 PaddleHub 安装后，执行python train.py即可使用 rexnet_3_0_imagenet 对 Flowers 等数据集进行 Fine-tune。完整可运行的示例可参考 demo/image_classification/train.py（该示例基于resnet50_vd_imagenet_ssld，将其中的name替换为rexnet_3_0_imagenet即可）。下面按步骤展开。

Step1：定义数据预处理方式

import paddlehub.vision.transforms as T transforms = T.Compose([T.Resize((256, 256)), T.CenterCrop(224), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])], to_rgb=True)

transforms数据增强模块定义了丰富的数据预处理方式，用户可按照需求替换自己需要的数据预处理方式。

Step2：下载数据集并使用

from paddlehub.datasets import Flowers flowers = Flowers(transforms) flowers_validate = Flowers(transforms, mode='val')

参数说明：

• transforms：数据预处理方式；
• mode：选择数据模式，可选项有train、test、val，默认为train。

数据集的准备代码可参考 flowers.py：Flowers类通过@download_data(url='https://bj.bcebos.com/paddlehub-dataset/flower_photos.tar.gz')装饰器标注，hub.datasets.Flowers()会自动从网络下载数据集并解压到用户目录下$HOME/.paddlehub/dataset目录；数据集共 5 类（num_classes = 5），train模式读取train_list.txt、test模式读取test_list.txt、其余（val）读取validate_list.txt。

Step3：加载预训练模型

model = hub.Module(name="rexnet_3_0_imagenet", label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"])

参数说明：

• name：选择预训练模型的名字；
• label_list：设置输出分类类别，默认为 Imagenet2012 类别（即读取模块目录下的 label_list.txt）。

传入label_list后，module.py 中class_dim = len(self.labels)，分类头输出维度随之变为 5，从而与 Flowers 数据集对齐。此外，ReXNetV1构造器还暴露了input_ch、final_ch、width_mult、depth_mult、use_se、se_ratio、dropout_ratio、bn_momentum等网络结构参数，默认值分别为 16、180、3.0、1.0、True、12、0.2、0.9；若传入load_checkpoint，会加载该路径下的model.pdparams自定义权重，否则加载模块自带的 ImageNet 预训练权重。

Step4：选择优化策略和运行配置

optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) trainer = Trainer(model, optimizer, checkpoint_dir='img_classification_ckpt') trainer.train(flowers, epochs=100, batch_size=32, eval_dataset=flowers_validate, save_interval=1)

Trainer（实现在 trainer.py）主要控制 Fine-tune 的训练，包含以下可控制的参数：

• model：被优化模型；
• optimizer：优化器选择；
• use_gpu：是否使用 GPU 训练（默认 False，为 True 时执行paddle.set_device('gpu')）；
• use_vdl：是否使用 VisualDL 可视化训练过程（默认 True，日志写入checkpoint_dir/visualization）；
• checkpoint_dir：保存模型参数的地址（默认ckpt_{time.time()}）；
• compare_metrics：保存最优模型的衡量指标（默认为以validation_step返回的第一个指标比较，越大越好）。

trainer.train主要控制具体的训练过程，包含以下可控制的参数：

• train_dataset：训练时所用的数据集；
• epochs：训练轮数；
• batch_size：训练的批大小，如果使用 GPU，请根据实际情况调整 batch_size；
• num_workers：数据加载子进程数量，默认为 0；
• eval_dataset：验证集（设置后会在每个save_interval轮执行一次评估）；
• log_interval：打印日志的间隔，单位为执行批训练的次数，默认 10；
• save_interval：保存模型的间隔频次，单位为执行训练的轮数，默认 10；
• collate_fn：自定义组 batch 函数，默认 None。

训练过程中，Trainer会在每个save_interval轮将模型参数与优化器状态分别保存为model.pdparams、model.pdopt；当验证集指标优于历史最优时，将最优模型额外保存到${CHECKPOINT_DIR}/best_model目录，并写入metrics.pkl。从源码看，Trainer还支持断点续训：启动时自动扫描checkpoint_dir下形如epoch_{N}的目录并恢复模型与优化器状态。

模型预测

当完成 Fine-tune 后，Fine-tune 过程在验证集上表现最优的模型会被保存在${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}目录为 Fine-tune 时所选择的保存 checkpoint 的目录。使用该模型进行预测的 predict.py 脚本如下：

import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='rexnet_3_0_imagenet', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT') result = model.predict(['flower.jpg'])

完整示例可参考 demo/image_classification/predict.py。

NOTE：进行预测时，所选择的 module、checkpoint_dir、dataset 必须和 Fine-tune 所用的一样，否则标签对齐与权重形状可能不一致。

四、服务部署（PaddleHub Serving）

PaddleHub Serving 可以部署一个在线分类任务服务，将上一步训练好的模型封装为可并发访问的 HTTP API。

第一步：启动 PaddleHub Serving

运行启动命令：

$ hub serving start -m rexnet_3_0_imagenet

这样就完成了一个分类任务服务化 API 的部署，默认端口号为 8866。

NOTE：如使用 GPU 预测，则需要在启动服务之前设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

Serving 场景下，服务端调用的是ImageClassifierModule.serving_method（cv_module.py 中定义），接收 base64 编码的图片列表与top_k参数，解码后经predict得到结果并转换为 float 返回。

第二步：发送预测请求

配置好服务端，以下代码即可实现发送预测请求、获取预测结果：

import requests import json import cv2 import base64 import numpy as np def cv2_to_base64(image): data = cv2.imencode('.jpg', image)[1] return base64.b64encode(data.tostring()).decode('utf8') def base64_to_cv2(b64str): data = base64.b64decode(b64str.encode('utf8')) data = np.fromstring(data, np.uint8) data = cv2.imdecode(data, cv2.IMREAD_COLOR) return data # 发送HTTP请求 org_im = cv2.imread('/PATH/TO/IMAGE') data = {'images':[cv2_to_base64(org_im)], 'top_k':2} headers = {"Content-type": "application/json"} url = "http://127.0.0.1:8866/predict/rexnet_3_0_imagenet" r = requests.post(url=url, headers=headers, data=json.dumps(data)) data = r.json()["results"]['data']

其中请求体images为 base64 图片列表，top_k控制返回的类别数量，服务地址为http://127.0.0.1:8866/predict/rexnet_3_0_imagenet，返回结构为{"results": {"data": [...]}}。

五、更新历史

• 1.0.0：初始发布（2021-09-14）。

• 人工智能
• 大模型
• 微调
• 模型推理服务