本仓库包含了采用MegEngine实现的各种主流深度学习模型。

official目录下提供了各种经典的图像分类、目标检测、图像分割以及自然语言模型的官方实现。每个模型同时提供了模型定义、推理以及训练的代码。

官方会一直维护official下的代码，保持适配MegEngine的最新API，提供最优的模型实现。同时，提供高质量的学习文档，帮助新手学习如何在MegEngine下训练自己的模型。

对于每个模型，我们提供了至少四个脚本文件：模型定义(model.py)、模型推理(inference.py)、模型训练(train.py)、模型测试(test.py)。

每个模型目录下都对应有一个README，介绍了模型的详细信息，并详细描述了训练和测试的流程。例如 ResNet README。

另外，official下定义的模型可以通过megengine.hub来直接加载，例如：

import megengine.hub

# 只加载网络结构
resnet18 = megengine.hub.load("megengine/models", "resnet18")
# 加载网络结构和预训练权重
resnet18 = megengine.hub.load("megengine/models", "resnet18", pretrained=True)

更多可以通过megengine.hub接口加载的模型见hubconf.py。

在开始运行本仓库下的代码之前，用户需要通过以下步骤来配置本地环境：

1. 克隆仓库

git clone https://github.com/MegEngine/Models.git

2. 安装依赖包

pip3 install --user -r requirements.txt

3. 添加目录到python环境变量中

export PYTHONPATH=/path/to/models:$PYTHONPATH

图像分类是计算机视觉的基础任务。许多计算机视觉的其它任务（例如物体检测）都使用了基于图像分类的预训练模型。因此，我们提供了各种在ImageNet上预训练好的分类模型，包括ResNet系列, shufflenet系列等，这些模型在ImageNet验证集上的测试结果如下表：

目标检测同样是计算机视觉中的常见任务，我们提供了一个经典的目标检测模型retinanet，这个模型在COCO验证集上的测试结果如下：

我们也提供了经典的语义分割模型--Deeplabv3plus，这个模型在PASCAL VOC验证集上的测试结果如下：

我们同样支持一些常见的自然语言处理模型，模型的权重来自Google的pre-trained models, 用户可以直接使用megengine.hub轻松的调用预训练的bert模型。

另外，我们在bert中还提供了更加方便的脚本, 可以通过任务名直接获取到对应字典, 配置, 与预训练模型。

在glue_data/MRPC数据集中使用默认的超参数进行微调和评估，评估结果介于84％和88％之间。