BitCoinCore配置文件解读

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了BitCoinCore配置文件解读相关的知识，希望对你有一定的参考价值。

参考技术A bitcoin.conf 配置文件

除了 -datadir 和 -conf 以外的所有命令行参数都可以通过一个配置文件来设置，而所有配置文件中的选项也都可以在命令行中设置。命令行参数设置的值会覆盖配置文件中的设置。

配置文件是“设置=值”格式的一个列表，每行一个。您还可以使用 # 符号来编写注释。

配置文件不会自动创建；您可以使用您喜爱的纯文本编辑器来创建它。默认情况下，Bitcoin（或 bitcoind）会在比特币数据文件夹下查找一个名为“bitcoin.conf”的文件，但是数据文件夹和配置文件的路径都可以分别通过 -datadir 和 -conf 命令行参数分别指定。

bitcoin.conf位置

操作系统  默认数据文件夹  配置文件路径

Windows  %APPDATA%\Bitcoin\ (XP) C:\Documents and Settings\username\Application Data\Bitcoin\bitcoin.conf

(Vista, 7)  C:\Users\username\AppData\Roaming\Bitcoin\bitcoin.conf

Linux  $HOME/.bitcoin/ /home/username/.bitcoin/bitcoin.conf

Mac OSX $HOME/Library/Application Support/Bitcoin/ /Users/username/Library/Application Support/Bitcoin/bitcoin.conf

bitcoin.conf 示例

# bitcoin.conf 配置文件。以 # 开头的行是注释。

# 网络相关的设置：

# 在测试网络中运行，而不是在真正的比特币网络

#testnet=0

# 通过一个 Socks4 代理服务器连接

#proxy=127.0.0.1:9050

##############################################################

##            addnode 与 connect 的区别                    ##

##                                                          ##

##  假设您使用了 addnode=4.2.2.4 参数，那么 addnode 便会与  ##

##  您的节点连接，并且告知您的节点所有与它相连接的其它节点。  ##

##  另外它还会将您的节点信息告知与其相连接的其它节点，这样它  ##

##  们也可以连接到您的节点。                                ##

##                                                          ##

##  connect 在您的节点“连接”到它的时候并不会做上述工作。仅  ##

##  它会与您连接，而其它节点不会。                          ##

##                                                          ##

##  因此如果您位于防火墙后，或者因为其它原因无法找到节点，则  ##

##  使用“addnode”添加一些节点。                            ##

##                                                          ##

##  如果您想保证隐私，使用“connect”连接到那些您可以“信任” ##

##  的节点。                                                ##

##                                                          ##

##  如果您在一个局域网内运行了多个节点，您不需要让它们建立许多 ##

##  连接。您只需要使用“connect”让它们统一连接到一个已端口转  ##

##  发并拥有多个连接的节点。                                ##

##############################################################

# 您可以在下面使用多个 addnode= 设置来连接到指定的节点

#addnode=69.164.218.197

#addnode=10.0.0.2:8333

# ... 或使用多个 connect= 设置来仅连接到指定的节点

#connect=69.164.218.197

#connect=10.0.0.1:8333

# 不使用因特网中继聊天（IRC）（irc.lfnet.org #bitcoin 频道）

# 来查找其它节点

#noirc=0

# 入站+出站的最大连接数

#maxconnections=

# JSON-RPC 选项（用于控制运行中的 Bitcoin/bitcoind 进程）：

# server=1 告知 Bitcoin-QT 接受 JSON-RPC 命令

#server=0

# 您必须设置 rpcuser 和 rpcpassword 以确保 JSON-RPC 的安全

#rpcuser=Ulysseys

#rpcpassword=YourSuperGreatPasswordNumber_DO_NOT_USE_THIS_OR_YOU_WILL_GET_ROBBED_38559

# 客户端在 HTTP 连接建立后，等待多少秒以完成一个 RPC HTTP 请求

#rpctimeout=30

# 默认仅允许来自本机的 RPC 连接。在这里您可以指定多个

# rpcallowip=，来设置您想允许连接的其它主机 IP 地址。

# 您可以使用 * 作为通配符。

#rpcallowip=10.1.1.34

#rpcallowip=192.168.1.*

# 在如下端口监听 RPC 连接

#rpcport=8332

# 您可以通过如下设置使用 Bitcoin 或 bitcoind 来发送命令到一个在

# 其它主机远程运行的 Bitcoin/bitcoind 客户端

#rpcconnect=127.0.0.1

# 使用安全套接层（也称为 TLS 或 HTTPS）来

# 连接到 Bitcoin -server 或 bitcoind

#rpcssl=1

# 当 rpcssl=1 时使用的 OpenSSL 设置

#rpcsslciphers=TLSv1+HIGH:!SSLv2:!aNULL:!eNULL:!AH:!3DES:@STRENGTH

#rpcsslcertificatechainfile=server.cert

#rpcsslprivatekeyfile=server.pem

# 其它选项：

# 设置 gen=1 以尝试生成比特币（采矿）

#gen=0

# 预生成如下数目的公匙和私匙，这样钱包备份便可以对已有的交易以及未来

# 多笔交易有效

#keypool=100

# 每次您发送比特币的时候支付一个可选的额外的交易手续费。包含手续费的交易

# 会更快的被包含在新生成的货币块中，因此会更快生效

#paytxfee=0.00

# 允许直接连接，实现“通过 IP 地址支付”功能

#allowreceivebyip=1

# 用户界面选项：

# 最小化启动比特币客户端

#min=1

# 最小化到系统托盘

#minimizetotray=1

mmdetection 配置文件解读


简介
faster_rcnn_r50_fpn_1x.py配置文件
cascade_rcnn_r50_fpn_1x.py配置文件

 


一、简介
在使用mmdetection对模型进行调优的过程中总会遇到很多参数的问题，不知道参数在代码中是什么作用，会对训练产生怎样的影响，这里我以faster_rcnn_r50_fpn_1x.py和cascade_rcnn_r50_fpn_1x.py为例，简单介绍一下mmdetection中的各项参数含义

 

二、faster_rcnn_r50_fpn_1x.py配置文件
首先介绍一下这个配置文件所描述的框架，它是基于resnet50的backbone，有着5个fpn特征层的faster-RCNN目标检测网络，训练迭代次数为标准的12次epoch，下面逐条解释其含义

# model settings
model = dict(
	type=‘FasterRCNN‘,                         # model类型
    pretrained=‘modelzoo://resnet50‘,          # 预训练模型：imagenet-resnet50
    backbone=dict(
        type=‘ResNet‘,                         # backbone类型
        depth=50,                              # 网络层数
        num_stages=4,                          # resnet的stage数量
        out_indices=(0, 1, 2, 3),              # 输出的stage的序号
        frozen_stages=1,                       # 冻结的stage数量，即该stage不更新参数，-1表示所有的stage都更新参数
        style=‘pytorch‘),                      # 网络风格：如果设置pytorch，则stride为2的层是conv3x3的卷积层；如果设置caffe，则stride为2的层是第一个conv1x1的卷积层
    neck=dict(
        type=‘FPN‘,                            # neck类型
        in_channels=[256, 512, 1024, 2048],    # 输入的各个stage的通道数
        out_channels=256,                      # 输出的特征层的通道数
        num_outs=5),                           # 输出的特征层的数量
    rpn_head=dict(
        type=‘RPNHead‘,                        # RPN网络类型
        in_channels=256,                       # RPN网络的输入通道数
        feat_channels=256,                     # 特征层的通道数
        anchor_scales=[8],                     # 生成的anchor的baselen，baselen = sqrt(w*h)，w和h为anchor的宽和高
        anchor_ratios=[0.5, 1.0, 2.0],         # anchor的宽高比
        anchor_strides=[4, 8, 16, 32, 64],     # 在每个特征层上的anchor的步长（对应于原图）
        target_means=[.0, .0, .0, .0],         # 均值
        target_stds=[1.0, 1.0, 1.0, 1.0],      # 方差
        use_sigmoid_cls=True),                 # 是否使用sigmoid来进行分类，如果False则使用softmax来分类
    bbox_roi_extractor=dict(
        type=‘SingleRoIExtractor‘,                                   # RoIExtractor类型
        roi_layer=dict(type=‘RoIAlign‘, out_size=7, sample_num=2),   # ROI具体参数：ROI类型为ROIalign，输出尺寸为7，sample数为2
        out_channels=256,                                            # 输出通道数
        featmap_strides=[4, 8, 16, 32]),                             # 特征图的步长
    bbox_head=dict(
        type=‘SharedFCBBoxHead‘,                     # 全连接层类型
        num_fcs=2,                                   # 全连接层数量
        in_channels=256,                             # 输入通道数
        fc_out_channels=1024,                        # 输出通道数
        roi_feat_size=7,                             # ROI特征层尺寸
        num_classes=81,                              # 分类器的类别数量+1，+1是因为多了一个背景的类别
        target_means=[0., 0., 0., 0.],               # 均值
        target_stds=[0.1, 0.1, 0.2, 0.2],            # 方差
        reg_class_agnostic=False))                   # 是否采用class_agnostic的方式来预测，class_agnostic表示输出bbox时只考虑其是否为前景，后续分类的时候再根据该bbox在网络中的类别得分来分类，也就是说一个框可以对应多个类别
# model training and testing settings
train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type=‘MaxIoUAssigner‘,            # RPN网络的正负样本划分
            pos_iou_thr=0.7,                  # 正样本的iou阈值
            neg_iou_thr=0.3,                  # 负样本的iou阈值
            min_pos_iou=0.3,                  # 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
            ignore_iof_thr=-1),               # 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
        sampler=dict(
            type=‘RandomSampler‘,             # 正负样本提取器类型
            num=256,                          # 需提取的正负样本数量
            pos_fraction=0.5,                 # 正样本比例
            neg_pos_ub=-1,                    # 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
            add_gt_as_proposals=False),       # 把ground truth加入proposal作为正样本
        allowed_border=0,                     # 允许在bbox周围外扩一定的像素
        pos_weight=-1,                        # 正样本权重，-1表示不改变原始的权重
        smoothl1_beta=1 / 9.0,                # 平滑L1系数
        debug=False),                         # debug模式
    rcnn=dict(
        assigner=dict(
            type=‘MaxIoUAssigner‘,            # RCNN网络正负样本划分
            pos_iou_thr=0.5,                  # 正样本的iou阈值
            neg_iou_thr=0.5,                  # 负样本的iou阈值
            min_pos_iou=0.5,                  # 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
            ignore_iof_thr=-1),               # 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
        sampler=dict(
            type=‘RandomSampler‘,             # 正负样本提取器类型
            num=512,                          # 需提取的正负样本数量
            pos_fraction=0.25,                # 正样本比例
            neg_pos_ub=-1,                    # 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
            add_gt_as_proposals=True),        # 把ground truth加入proposal作为正样本
        pos_weight=-1,                        # 正样本权重，-1表示不改变原始的权重
        debug=False))                         # debug模式
test_cfg = dict(
    rpn=dict(                                 # 推断时的RPN参数
        nms_across_levels=False,              # 在所有的fpn层内做nms
        nms_pre=2000,                         # 在nms之前保留的的得分最高的proposal数量
        nms_post=2000,                        # 在nms之后保留的的得分最高的proposal数量
        max_num=2000,                         # 在后处理完成之后保留的proposal数量
        nms_thr=0.7,                          # nms阈值
        min_bbox_size=0),                     # 最小bbox尺寸
    rcnn=dict(
        score_thr=0.05, nms=dict(type=‘nms‘, iou_thr=0.5), max_per_img=100)   # max_per_img表示最终输出的det bbox数量
    # soft-nms is also supported for rcnn testing
    # e.g., nms=dict(type=‘soft_nms‘, iou_thr=0.5, min_score=0.05)            # soft_nms参数
)
# dataset settings
dataset_type = ‘CocoDataset‘                # 数据集类型
data_root = ‘data/coco/‘                    # 数据集根目录
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)   # 输入图像初始化，减去均值mean并处以方差std，to_rgb表示将bgr转为rgb
data = dict(
    imgs_per_gpu=2,                # 每个gpu计算的图像数量
    workers_per_gpu=2,             # 每个gpu分配的线程数
    train=dict(
        type=dataset_type,                                                 # 数据集类型
        ann_file=data_root + ‘annotations/instances_train2017.json‘,       # 数据集annotation路径
        img_prefix=data_root + ‘train2017/‘,                               # 数据集的图片路径
        img_scale=(1333, 800),                                             # 输入图像尺寸，最大边1333，最小边800
        img_norm_cfg=img_norm_cfg,                                         # 图像初始化参数
        size_divisor=32,                                                   # 对图像进行resize时的最小单位，32表示所有的图像都会被resize成32的倍数
        flip_ratio=0.5,                                                    # 图像的随机左右翻转的概率
        with_mask=False,                                                   # 训练时附带mask
        with_crowd=True,                                                   # 训练时附带difficult的样本
        with_label=True),                                                  # 训练时附带label
    val=dict(
        type=dataset_type,                                                 # 同上
        ann_file=data_root + ‘annotations/instances_val2017.json‘,         # 同上
        img_prefix=data_root + ‘val2017/‘,                                 # 同上
        img_scale=(1333, 800),                                             # 同上
        img_norm_cfg=img_norm_cfg,                                         # 同上
        size_divisor=32,                                                   # 同上
        flip_ratio=0,                                                      # 同上
        with_mask=False,                                                   # 同上
        with_crowd=True,                                                   # 同上
        with_label=True),                                                  # 同上
    test=dict(
        type=dataset_type,                                                 # 同上
        ann_file=data_root + ‘annotations/instances_val2017.json‘,         # 同上
        img_prefix=data_root + ‘val2017/‘,                                 # 同上
        img_scale=(1333, 800),                                             # 同上
        img_norm_cfg=img_norm_cfg,                                         # 同上
        size_divisor=32,                                                   # 同上
        flip_ratio=0,                                                      # 同上
        with_mask=False,                                                   # 同上
        with_label=False,                                                  # 同上
        test_mode=True))                                                   # 同上
# optimizer
optimizer = dict(type=‘SGD‘, lr=0.02, momentum=0.9, weight_decay=0.0001)   # 优化参数，lr为学习率，momentum为动量因子，weight_decay为权重衰减因子
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))          # 梯度均衡参数
# learning policy
lr_config = dict(
    policy=‘step‘,                        # 优化策略
    warmup=‘linear‘,                      # 初始的学习率增加的策略，linear为线性增加
    warmup_iters=500,                     # 在初始的500次迭代中学习率逐渐增加
    warmup_ratio=1.0 / 3,                 # 起始的学习率
    step=[8, 11])                         # 在第8和11个epoch时降低学习率
checkpoint_config = dict(interval=1)      # 每1个epoch存储一次模型
# yapf:disable
log_config = dict(
    interval=50,                          # 每50个batch输出一次信息
    hooks=[
        dict(type=‘TextLoggerHook‘),      # 控制台输出信息的风格
        # dict(type=‘TensorboardLoggerHook‘)
    ])
# yapf:enable
# runtime settings
total_epochs = 12                               # 最大epoch数
dist_params = dict(backend=‘nccl‘)              # 分布式参数
log_level = ‘INFO‘                              # 输出信息的完整度级别
work_dir = ‘./work_dirs/faster_rcnn_r50_fpn_1x‘ # log文件和模型文件存储路径
load_from = None                                # 加载模型的路径，None表示从预训练模型加载
resume_from = None                              # 恢复训练模型的路径
workflow = [(‘train‘, 1)]                       # 当前工作区名称

　　

三、cascade_rcnn_r50_fpn_1x.py配置文件
cascade-RCNN是cvpr2018的文章，相比于faster-RCNN的改进主要在于其RCNN有三个stage，这三个stage逐级refine检测的结果，使得结果达到更高的精度。下面逐条解释其config的含义，与faster-RCNN相同的部分就不再赘述。

# model settings
model = dict(
    type=‘CascadeRCNN‘,
    num_stages=3,                     # RCNN网络的stage数量，在faster-RCNN中为1
    pretrained=‘modelzoo://resnet50‘,
    backbone=dict(
        type=‘ResNet‘,
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        frozen_stages=1,
        style=‘pytorch‘),
    neck=dict(
        type=‘FPN‘,
        in_channels=[256, 512, 1024, 2048],
        out_channels=256,
        num_outs=5),
    rpn_head=dict(
        type=‘RPNHead‘,
        in_channels=256,
        feat_channels=256,
        anchor_scales=[8],
        anchor_ratios=[0.5, 1.0, 2.0],
        anchor_strides=[4, 8, 16, 32, 64],
        target_means=[.0, .0, .0, .0],
        target_stds=[1.0, 1.0, 1.0, 1.0],
        use_sigmoid_cls=True),
    bbox_roi_extractor=dict(
        type=‘SingleRoIExtractor‘,
        roi_layer=dict(type=‘RoIAlign‘, out_size=7, sample_num=2),
        out_channels=256,
        featmap_strides=[4, 8, 16, 32]),
    bbox_head=[
        dict(
            type=‘SharedFCBBoxHead‘,
            num_fcs=2,
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=81,
            target_means=[0., 0., 0., 0.],
            target_stds=[0.1, 0.1, 0.2, 0.2],
            reg_class_agnostic=True),
        dict(
            type=‘SharedFCBBoxHead‘,
            num_fcs=2,
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=81,
            target_means=[0., 0., 0., 0.],
            target_stds=[0.05, 0.05, 0.1, 0.1],
            reg_class_agnostic=True),
        dict(
            type=‘SharedFCBBoxHead‘,
            num_fcs=2,
            in_channels=256,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=81,
            target_means=[0., 0., 0., 0.],
            target_stds=[0.033, 0.033, 0.067, 0.067],
            reg_class_agnostic=True)
    ])
# model training and testing settings
train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type=‘MaxIoUAssigner‘,
            pos_iou_thr=0.7,
            neg_iou_thr=0.3,
            min_pos_iou=0.3,
            ignore_iof_thr=-1),
        sampler=dict(
            type=‘RandomSampler‘,
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False),
        allowed_border=0,
        pos_weight=-1,
        smoothl1_beta=1 / 9.0,
        debug=False),
    rcnn=[                    # 注意，这里有3个RCNN的模块，对应开头的那个RCNN的stage数量
        dict(
            assigner=dict(
                type=‘MaxIoUAssigner‘,
                pos_iou_thr=0.5,
                neg_iou_thr=0.5,
                min_pos_iou=0.5,
                ignore_iof_thr=-1),
            sampler=dict(
                type=‘RandomSampler‘,
                num=512,
                pos_fraction=0.25,
                neg_pos_ub=-1,
                add_gt_as_proposals=True),
            pos_weight=-1,
            debug=False),
        dict(
            assigner=dict(
                type=‘MaxIoUAssigner‘,
                pos_iou_thr=0.6,
                neg_iou_thr=0.6,
                min_pos_iou=0.6,
                ignore_iof_thr=-1),
            sampler=dict(
                type=‘RandomSampler‘,
                num=512,
                pos_fraction=0.25,
                neg_pos_ub=-1,
                add_gt_as_proposals=True),
            pos_weight=-1,
            debug=False),
        dict(
            assigner=dict(
                type=‘MaxIoUAssigner‘,
                pos_iou_thr=0.7,
                neg_iou_thr=0.7,
                min_pos_iou=0.7,
                ignore_iof_thr=-1),
            sampler=dict(
                type=‘RandomSampler‘,
                num=512,
                pos_fraction=0.25,
                neg_pos_ub=-1,
                add_gt_as_proposals=True),
            pos_weight=-1,
            debug=False)
    ],
    stage_loss_weights=[1, 0.5, 0.25])     # 3个RCNN的stage的loss权重
test_cfg = dict(
    rpn=dict(
        nms_across_levels=False,
        nms_pre=2000,
        nms_post=2000,
        max_num=2000,
        nms_thr=0.7,
        min_bbox_size=0),
    rcnn=dict(
        score_thr=0.05, nms=dict(type=‘nms‘, iou_thr=0.5), max_per_img=100),
    keep_all_stages=False)         # 是否保留所有stage的结果
# dataset settings
dataset_type = ‘CocoDataset‘
data_root = ‘data/coco/‘
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
data = dict(
    imgs_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type=dataset_type,
        ann_file=data_root + ‘annotations/instances_train2017.json‘,
        img_prefix=data_root + ‘train2017/‘,
        img_scale=(1333, 800),
        img_norm_cfg=img_norm_cfg,
        size_divisor=32,
        flip_ratio=0.5,
        with_mask=False,
        with_crowd=True,
        with_label=True),
    val=dict(
        type=dataset_type,
        ann_file=data_root + ‘annotations/instances_val2017.json‘,
        img_prefix=data_root + ‘val2017/‘,
        img_scale=(1333, 800),
        img_norm_cfg=img_norm_cfg,
        size_divisor=32,
        flip_ratio=0,
        with_mask=False,
        with_crowd=True,
        with_label=True),
    test=dict(
        type=dataset_type,
        ann_file=data_root + ‘annotations/instances_val2017.json‘,
        img_prefix=data_root + ‘val2017/‘,
        img_scale=(1333, 800),
        img_norm_cfg=img_norm_cfg,
        size_divisor=32,
        flip_ratio=0,
        with_mask=False,
        with_label=False,
        test_mode=True))
# optimizer
optimizer = dict(type=‘SGD‘, lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))
# learning policy
lr_config = dict(
    policy=‘step‘,
    warmup=‘linear‘,
    warmup_iters=500,
    warmup_ratio=1.0 / 3,
    step=[8, 11])
checkpoint_config = dict(interval=1)
# yapf:disable
log_config = dict(
    interval=50,
    hooks=[
        dict(type=‘TextLoggerHook‘),
        # dict(type=‘TensorboardLoggerHook‘)
    ])
# yapf:enable
# runtime settings
total_epochs = 12
dist_params = dict(backend=‘nccl‘)
log_level = ‘INFO‘
work_dir = ‘./work_dirs/cascade_rcnn_r50_fpn_1x‘
load_from = None
resume_from = None
workflow = [(‘train‘, 1)]

 

 


原文链接：https://blog.csdn.net/hajlyx/article/details/85991400

以上是关于BitCoinCore配置文件解读的主要内容，如果未能解决你的问题，请参考以下文章

BTC

Redis配置文件解读

redis配置文件解读

nginx之主配置文件解读

关于peersim样例配置文件的超详细解读（新手勿喷）

mmdetection 配置文件解读