# EfficientNet Anomaly Detection 操作文件
## Outline
* 執行環境
* BIOS 虛擬化
* Docker 下載
* 建立 Docker環境
* EfficientNet 程式目錄
* 參數定義
* 資料集位置
* 執行程式
## 執行環境

| 作業系統 | Windows 10 |
| -------- | -------- |
| CPU | Intel i7-9700 |
| GPU | GeForce RTX 2080 SUPER |
| 記憶體 | 16 GB * 2 / DDR4 / 2666 MHz |

## BIOS 虛擬化
首先必須確認 BIOS 開啟虛擬化功能，各主機板不同，須上網查詢
在此提供為 Intel 主機板的設定方式
https://www.asus.com/tw/support/FAQ/1043786/

在 Windows作業系統下，BIOS虛擬化功能若有開啟請至工作管理員確定
打開工作管理員->效能-> CPU 模擬會顯示 : 已啟用(如下圖紅框部分)

## Docker 下載
1. 上列工作確認完成後，於下方連結下載 Docker desktop
https://drive.google.com/file/d/1k611NcwD2mlq-5YB7stdsWy-Nz6KXOmx/view?usp=sharing

2. 安裝皆選取默認選項

3. 下載完成後，顯示視窗如下，點選 Close

4. 並於桌面找到 Docker Desktop 捷徑並點選後開啟

5. 開啟 docker desktop 依以下步驟安裝

6. 等待 Docker Desktop starting

7. 點選Skip tutorial

## 建立 Docker環境
1. 在程式目錄中確認有 Dockerfile 檔案

2. 在程式目錄中打開 Terminal

3. 使用下列指令建立 Docker image

 $ docker build . -t meadml/cuda10.1-cudnn7-devel-ubuntu18.04-python3.6_efficientnet

顯示FINISHED

4. 使用下列指令建立container
以下指令路徑需與配合程式路徑做更改 ( C:\Users\MVCLAB\Desktop\NTUST\jet_project\ )

$ docker run -t -i --name EfficientNet --gpus all -v C:\Users\MVCLAB\Desktop\NTUST\jet_project\EdgeFinal\:/EdgeFinal --shm-size  120G meadml/cuda10.1-cudnn7-devel-ubuntu18.04-python3.6_efficientnet

5. 完成後即進入Container

6. 輸入以下指令便會看到程式目錄名稱 EdgeFinal

$ ls


7. 輸入以下指令進入程式目錄內

$ cd EdgeFinal

8. 即可輸入下列指令開始訓練

$ python3 train.py

## EfficientNet 程式目錄

### 樹狀結構

| 檔案或資料夾名稱 | 檔案功能|
| -------- | -------- |
| dataset | 內含使用的資料目錄 |
| model| Output出的所有資料(包含Log、ROC Curve、pth參數檔) |
| wandb| Weights & Biases參數檔 |

其餘皆為訓練模型用檔案
## 參數定義
參數修改於 train.py

| 參數 | 設定數值 | 參數定義 |
| -------- | -------- | -------- |
| at| 0.48 | Threshold值 |
| input_size | 224 | 輸入照片的大小 |
| bs | 8 | Batch的大小 |
| lr | 0.001 | 學習率 |
| classnum | 2 | 分類的數目 |
| warm_iter | 2,000 | Warm up iteration |
| pre_epoch | 0 | 訓練的Epoch範圍 |
| epoch | 20 | 訓練的Epoch範圍 |
| test_err_image | "./txt/misclassified.txt" | 紀錄 Predict 錯誤的資料路徑 |
| data_path | "./dataset/JET_C+R_Classification/Training_set" | Training set 的資料路徑 |
|easy_val_data_path|"./dataset/JET_C+R_Classification/EasyValidation_set"|Validation set 的資料路徑|
|is_load_check_point|False|是否訓練到一半時中斷|
|test_data_path|"./TestData"|要測試的檔案資料夾|
|inference_model_path|"./inference_model/net_020.pth"|使用的 pth 權重檔|
|inference_result_path|"./predict_result.txt"|利用 pth 測試出來的測試結果|
| results_path | "./model/test_C+R_all" | 輸出的資料夾目錄路徑 |
| plot_path | "/output/plot.png" | Loss與 Accuracy 的曲線圖路徑(如下圖一) |
| acc_txt_path | "/txt/acc.txt" | 記錄每個 Epoch 精確率的txt路徑(如下圖二) |
| log_txt_path | "/txt/log.txt" | 紀錄每個batch的Loss 值learning rate、精確度(如下圖三) |
| best_txt_path | "/txt/best_acc.txt" | 紀錄最高精確度的Epoch路徑 |
|wandb_name|"jet_artifact_anil"|Weight and Biases 的目錄名稱|
| tstdataset | 'Resistance' | 要檢測的Dataset名稱 |
| tst_txt_name | 'testScore.txt' | 每個Epoch的檢測結果(如下圖四)|

| 圖一 | 圖二 |
|:------------------------------------:|:-----------------------------------:|
|  |  |
| 圖三 | 圖四 |
|||

1. 圖一 : 顯示每個Epoch的Loss值及Accurancy (精確度)的曲線圖
2. 圖二 : 顯示每個Epoch的Accurancy (精確度)的文字檔
3. 圖三 : 顯示每個Epoch的Learning rate、Loss值及Accurancy (精確度)的文字檔
4. 圖四 : 顯示每個Epoch的混淆矩陣評估指標值及比率以及Threshold

## 資料集位置
"~/EdgeFinal/dataset/

## 執行程式
1. 打開Terminal，並執行以下指令

$ docker start EfficientNet

2. 使用以下指令查看 CONTAINER ID

$ docker ps -a

3. 進入 Container

$ docker exec -it 434fd0682dd0 bash


4. 輸入以下指令便會看到程式目錄名稱 EdgeFinal

$ ls


5. 輸入以下指令進入程式目錄內

$ cd EdgeFinal

6. 即可輸入下列指令開始訓練(若不訓練可省略)

$ python3 train.py 


7. 輸入下列指令開始測試

$ python3 train.py --mode 'test'