用 PyTorch 训练

tp new my-cnn --method pytorch/image-classification
tp dataset push my-images v1 <你的图片目录>
tp submit my-cnn --profile <卡型>:1 --train-dataset <你的用户名>/my-images@v1

train/scratch/0001.png      这张图的标签是 scratch
train/dent/0002.png         这张图的标签是 dent
train/ok/0003.png
val/scratch/0101.png        验证集，同样的类名
val/ok/0102.png

tp new my-cnn --method pytorch/image-classification

input_pipeline: imagefolder   # 读 <data_dir>/{train,val}/<类名>/*
num_classes: 3
arch: simple_cnn              # 或任意 torchvision.models 构造器，如 resnet18
epochs: 5
batch_size: 64                # 每进程；多卡时全局 batch = 该值 × 卡数
learning_rate: 1.0e-3
optimizer: adamw              # adamw | sgd
lr_scheduler: cosine          # constant | step | cosine
amp: true

tp submit my-cnn --profile <卡型>:1 --set epochs=20 --set arch=resnet18

tp dataset push my-images v1 <目录>
tp submit my-cnn --profile <卡型>:1 --train-dataset <你的用户名>/my-images@v1

tp volume push <目录> --name my-images
tp submit my-cnn --profile <卡型>:1 --volume <你的用户名>/my-images

data_dir: ${VOLUMES_DIR}/my-images   # 路径由平台定，写名字让它展开，不要硬编码

tp submit my-cnn --profile <卡型>:1     # 单卡
tp submit my-cnn --profile <卡型>:8     # 单机 8 卡

def build_model(config, in_channels):
    """返回任意 nn.Module。"""

def build_datasets(config, data_dir, *, may_download=True):
    """返回 (train_set, val_set, in_channels)。"""

./deploy/docker/build-runtimes.sh pytorch --push