PAI-EasyVision提供端到端文字识别模型的训练及预测功能,本文为您介绍如何通过PAI命令进行端到端文字识别模型训练。

PAI-EasyVision对配置进行了简化,您通过-Dparam_config即可配置常用参数,无需了解PAI-EasyVision的配置文件规则和逻辑。 如果需要尝试更复杂的模型配置,您可以通过PAI-EasyVision命令中的-Dconfig直接传递配置文件进行端到端文字识别模型训练。端到端文字识别模型的主要算法框架如下图所示。算法框架

端到端文字识别训练

pai -name easy_vision_ext
           -Dbuckets='oss://{bucket_name}.{oss_host}/{path}'
           -Darn='acs:ram::*********:role/aliyunodpspaidefaultrole'
           -DgpuRequired=100
           -Dcmd train
           -Dparam_config '
             --model_type TextEnd2End
             --backbone  resnet_v1_50
             --num_classes 1
             --use_pretrained_model true
             --train_batch_size 1
             --test_batch_size 1
             --image_min_sizes 960
             --image_max_sizes 1440
             --initial_learning_rate 0.0001
             --optimizer adam
             --lr_type exponential_decay
             --decay_epochs 40
             --decay_factor 0.5
             --num_epochs 10
             --staircase true
             --predict_text_direction true
             --text_direction_trainable true
             --text_direction_type smart_unified
             --feature_gather_type fixed_height_pyramid
             --train_data oss://pai-vision-data-sh/data/recipt_text/end2end_tfrecords/train_*.tfrecord
             --test_data oss://pai-vision-data-sh/data/recipt_text/end2end_tfrecords/test.tfrecord
             --model_dir oss://pai-vision-data-sh/test/recipt_text/text_end2end_krcnn_resnet50_attn
           '

参数说明

参数 是否必选 描述 参数值格式 默认值
buckets OSS Bucket地址。 oss://{bucket_name}.{oss_host}/{path}
arn 访问OSS的授权,其获取方式请参见PAI-TF任务参数介绍的IO相关参数说明部分。 acs:ram::*:role/aliyunodpspaidefaultrole
cluster 分布式训练参数相关配置。 JSON格式字符串 “”
gpuRequired 标识是否使用GPU,默认使用一张卡。如果取值200,则一个Worker申请2张卡 100 100
cmd EasyVision任务类型。模型训练时,该参数应取值为train train
param_config 模型训练参数,其格式与Python Argparser参数格式一致,详情请参见param_config说明 STRING

param_config说明

param_config包含若干模型配置相关参数,格式为Python Argparser,示例如下。
-Dparam_config = '
--backbone resnet_v1_50
--model_dir oss://your/bucket/exp_dir
'
说明 所有字符串类型的参数,其取值均不加引号。
参数 是否必选 描述 参数值格式 默认值
model_type 训练模型类型。进行端到端文字识别训练时,该参数的取值为TextEnd2End STRING
backbone 端到端文字识别模型使用的Backbone,取值包括:
  • resnet_v1_50
  • resnet_v1_101
STRING
weight_decay L2 Regularization的大小。 FLOAT 1e-4
num_classes 检测类别数量,默认通过分析数据集获得该参数值。 21 -1
anchor_scales Anchor框大小,与Resize后的输入图片尺度相同。仅支持为该参数指定一个值,表示分辨率最高Layer的Anchor大小,共5个Layer,后面每个Layer的Anchor大小为前一Layer的2倍。例如32,64,128,256,512 浮点列表,例如32(单一尺度)。 24
anchor_ratios Anchor宽高比。 浮点列表 0.2 0.5 1 2 5
predict_text_direction 是否预测文字行朝向。 BOOL false
text_direction_trainable 是否训练文字行朝向预测。 BOOL false
text_direction_type 文字朝向预测的类型,取值包括:
  • normal:贪婪预测文字行方向。
  • unified:预测时将所有文字行朝向进行投票,得到统一的文字行方向。
  • smart_unified:预测时将除高大于宽两倍的文字行朝向进行投票,得到统一的文字行方向
STRING normal
feature_gather_type 文字行特征抽取器类型,取值包括:
  • fixed_size:固定宽高抽取。
  • fixed_height:固定高度并保持宽高比抽取。
  • fixed_height_pyramid:从多尺度的特征中固定高度并保持宽高比抽取。
STRING fixed_height
feature_gather_aspect_ratio 文字行的宽高比。当feature_gather_type取值为fixed_size时,该参数表示特征被Resize后的宽高比。当feature_gather_type取值为fixed_height时,该参数表示特征Resize的最大宽高比约束。 FLOAT 40
feature_gather_batch_size 用于训练的文字行Batch_size。 INT 160
recognition_norm_type 编码器和文字行特征抽取器的Norm类型,取值包括:
  • batch_norm
  • group_norm
STRING group_norm
recognition_bn_trainable 编码器和文字行特征抽取器的Batch norm是否可以训练。当norm_type取值为batch_norm时,该参数生效。 BOOL false
encoder_type 编码器类型,取值包括:
  • crnn:CNN+RNN编码器。
  • cnn_line:CNN编码器。
  • cnn_spatial:CNN编码器,用于Spatial Attention。
STRING crnn
encoder_cnn_name 编码器中使用的CNN类型,取值包括:
  • conv5_encoder
  • senet5_encoder
STRING senet5_encoder
encoder_num_layers 编码器层数(通常指RNN层数,CNN不计算在内)。 INT 2
encoder_rnn_type 编码器中使用的RNN类型,取值包括:
  • bi:双向RNN Encoder。
  • uni:单向RNN Encoder。
STRING uni
encoder_hidden_size 编码器中的隐藏层神经元数量。 INT 512
encoder_cell_type 编码器中的RNN Cell类型,取值包括:
  • basic_lstm
  • gru
  • layer_norm_basic_lstm
  • nas
STRING basic_lstm
decoder_type 解码器类型,取值包括:
  • attention
  • ctc
STRING attention
decoder_num_layers 解码器层数。 INT 2
decoder_hidden_size 解码器中的隐藏层神经元数量。 INT 512
decoder_cell_type 解码器中的RNN Cell类型,取值包括:
  • basic_lstm
  • gru
  • layer_norm_basic_lstm
  • nas
STRING basic_lstm
embedding_size 字典的Embedding大小。 INT 64
beam_width Beam Search中的Beam Width。 INT 0
length_penalty_weight Beam Search中的Length Penalty,用于避免短序列倾向。 FLOAT 0.0
attention_mechanism 解码器中的Attention类型,取值包括:
  • luongscaled_luongbahdanau
  • normed_bahdanau
STRING normed_bahdanau
aspect_ratio_min_jitter_coef 训练时随机扰动图像宽高比的最小比例。如果取值为0,则表示关闭随机扰动图像宽高比。 FLOAT 0.8
aspect_ratio_max_jitter_coef 训练时随机扰动图像宽高比的最大比例。如果取值为0,则表示关闭随机扰动图像宽高比。 FLOAT 1.2
random_rotation_angle 训练时随机旋转图像的角度,其取值为(-angle, angle)范围内的随机值。如果取值为0,则表示关闭随机旋转图像。 FLOAT 10
random_crop_min_area 训练时随机裁切图像的最小面积占比约束。如果取值为0,则表示关闭随机裁切图像。 FLOAT 0.1
random_crop_max_area 训练时随机裁切图像的最大面积占比约束。如果取值为0,则表示关闭随机裁切图像。 FLOAT 1.0
random_crop_min_aspect_ratio 训练时随机裁切图像的最小宽高比约束。如果取值为0,则表示关闭随机裁切图像。 FLOAT 0.2
random_crop_max_aspect_ratio 训练时随机裁切图像的最大宽高比约束。如果取值为0,则表示关闭随机裁切图像。 FLOAT 5
image_min_sizes 图片缩放大小最短边。为支持Multi-scale Training,如果输入多个Size,则前N-1个作为训练配置,最后一个作为评估测试配置。否则,训练与评估使用相同配置。 浮点列表 800
image_max_sizes 图片缩放大小最长边。为支持Multi-scale Training,如果输入多个Size,则前N-1个作为训练配置,最后一个作为评估测试配置。否则,训练与评估使用相同配置。 浮点列表 1200
random_distort_color 是否在训练时随机扰动图片的亮度、对比度及饱和度。 BOOL true
optimizer 优化方法,取值包括:
  • momentum:指sgd
  • adam
STRING momentum
lr_type 学习率调整策略,取值包括:
  • exponential_decay:指数衰减。
  • polynomial_decay:多项式衰减。

    其中num_steps自动配置为总训练迭代次数,end_learning_rateinitial_learning_rate的千分之一

  • manual_step:手动指定各阶段的学习率。

    通过decay_epochs 指定需要调整学习率的迭代轮数,通过learning_rates指定对应迭代轮数使用的学习率。

  • cosine_decay

    通过余弦曲线调整lr,详情请参见论文。通过decay_epochs指定需要调整学习率的迭代轮数。

STRING exponential_decay
initial_learning_rate 初始学习率。 FLOAT 0.01
decay_epochs 如果使用exponential_decay,该参数对应tf.train.exponential.decay中的decay_steps,系统会自动根据训练数据总数将decay_epochs转换为decay_steps。例如,取值为10,通常是总Epoch数的1/2。 如果使用manual_step,该参数表示需要调整学习率的迭代轮数。例如16 18表示在16 Epoch和18 Epoch对学习率进行调整。通常将这两个值配置为总Epoch的8/10和9/10。 整数列表,例如20 20 40 60 20
decay_factor tf.train.exponential.decay中的decay_factor FLOAT 0.95
staircase tf.train.exponential.decay中的staircase BOOL true
power tf.train.polynomial.decay 中的power FLOAT 0.9
learning_rates manual_step学习率调整策略中使用的参数,表示在指定Epoch中学习率的取值。 如果您指定的调整Epoch有两个,则需要在此指定两个Epoch对应的学习率。例如,如果decay_epoches20 40,则该将参数配置为0.001 0.0001,表示在20 Epoch学习率调整为0.001,40 Epoch学习率调整为0.0001。建议几次调整的学习率依次为初始学习率的1/10、1/100及1/1000。 浮点列表
lr_warmup 是否对学习率进行Warmup。 BOOL false
lr_warm_up_epochs 学习率Warmup的轮数。 FLOAT 1
train_data 训练数据文件的OSS路径。 oss://path/to/train_*.tfrecord
test_data 训练过程中评估数据的OSS路径。 oss://path/to/test_*.tfrecord
train_batch_size 训练的Batch_size。 INT,例如32。
test_batch_size 评估的Batch_size。 INT,例如32。
train_num_readers 训练数据并发读取线程数。 INT 4
model_dir 训练使用的OSS目录。 oss://path/to/model
pretrained_model 预训练模型的OSS路径。如果指定该参数值,则在此模型基础上Finetune。 oss://pai-vision-data-sh/pretrained_models/inception_v4.ckpt “”
use_pretrained_model 是否使用预训练模型。 BOOL true
num_epochs 训练迭代轮数。取值1表示对所有训练数据都进行一次迭代。 INT,例如40。
num_test_example 训练过程中评估数据条目数。取值 -1表示使用所有测试数据作为评估数据。 INT,例如2000。 -1
num_visualizations 评估过程可视化显示的样本数量。 INT 10
save_checkpoint_epochs 保存Checkpoint的频率,以Epoch为单位。取值为1表示每完成一次训练就保存一次Checkpoint。 INT 1
save_summary_epochs 保存Summary的频率,以Epoch为单位。 取值为0.01表示每迭代1%的训练数据就保存一次Summary。 FLOAT 0.01
num_train_images 总的训练样本数。如果使用自己生成的TFRecord,则需要指定该参数。 INT 0
label_map_path 类别映射文件。如果使用自己生成的TFRecord,则需要指定该参数。 STRING ””