中文版 | English

使用方法

该代码是AAAI2022 安全AI挑战者计划第八期：Data-Centric Robust Learning on ML Models的训练示例。选手可简单的使用以下两条命令训练resnet50以及densenet121模型：

git clone https://github.com/vtddggg/training_template_for_AI_challenger_sea8.git && cd training_template_for_AI_challenger_sea8
sh train.sh

运行完成后，会在当前路径下产生Dataset.zip文件，选手可直接上传该文件作为官方提供的baseline成绩

注意

为了重现训练过程，代码中的所有random seed已经固定，我们鼓励选手在新版本的pytorch上进行训练。推荐使用pytorch官方docker：pytorch/pytorch:1.8.1-cuda10.2-cudnn7-runtime

我们公开了在GeForce RTX 2080Ti上的训练日志，需要注意在不同型号的GPU设备上训练可能会产生略有差异的结果，这些小差异在最终做成绩验证时可忽略

创建自己的提交

选手必须提交一个压缩包（包含data.npy, label.npy, config.py, resnet50.pth.tar以及densenet121.pth.tar），这5个文件分别通过以下步骤生成：

1. data.npy, label.npy, config.py三个文件可由选手自己创建和修改，作为自定义的训练数据和config，但需要满足赛题中给出的限制。除了训练数据和config，另外在training_template_for_AI_challenger_sea8目录下的训练代码.py文件均固定，不可擅自改动。

2. 将以上三个文件替换到training_template_for_AI_challenger_sea8中，执行sh train.sh训练

3. 训练完毕后，将生成的Dataset.zip提交至比赛页面

需要注意的是，在测试提交结束后，我们会验证选手的训练结果，因此，请时刻注意压缩包中的resnet50.pth.tar和densenet121.pth.tar确实是由对应的data.npy, label.npy, config.py训练生成的

感谢大家的参与，最后预祝各位参赛选手取得好成绩！