目标检测常用Optimizer及LearningRate的代码实现

Posted 2023-03-13 武乐乐~

文章目录

• 前言
• 1、基础知识
• 2、RetinaNet
• • 2.1.优化器简介
  • 2.2.Demo及学习率可视化
• 总结
• 参考

---

前言

 在本人阅读目标检测相关论文时，一直对论文中所介绍的优化器及学习率比较困惑，尤其在复写论文代码时，很可能会因参数对不齐而导致最终的复现结果大相径庭。因此，本文旨在记录相关论文在MMDetection中所使用的优化器及其code实现。（本文不定时更新…）

1、基础知识

 常用的优化器有SGD, ADAM和ADAMW；而学习率调整器就比较多了，余弦退火，OneCycle还有多阶段衰减啥的。

2、RetinaNet

2.1.优化器简介

 在mmdetection中retinanet的优化器包含两部分：优化器：sgd；学习率调整器包含warmup（热身500个iterationo），并在第9轮和第12轮时学习率以指数的形式衰减0.1倍。

#在训练开始的前num_warmup_iters次迭代里，采取warmup操作
num_warmup_iters=500
#采用constant的warmup操作
warmup_factor=0.001
#lr衰减率
lr_decay_factor=0.1
#lr衰减的时间点
lr_decay_time=[9, 12]
#训练的最大epoch数量
max_epochs=12
#基础学习率
base_lr=0.01
#基础weight_decay率
weight_decay=0.0001
#优化器的动量
momentum=0.9

2.2.Demo及学习率可视化

代码如下（示例）：

import torch
import torch.nn as nn
import numpy as np
import config as cfg           # config文件就是2.1节中的内容，新建一个config.py即可
import matplotlib.pyplot as plt

# net
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.layer1 = nn.Linear(10, 2)
        self.layer2 = nn.Linear(2, 10)

    def forward(self, input):
        return self.layer2(self.layer1(input))
# dataloader
dataloader = [i for i in range(1000)]

# optimizer
def build_net_optim():
    net = Net()
    params = net.parameters()
    optimizer = torch.optim.SGD(params, lr=cfg.base_lr,momentum=cfg.momentum,weight_decay=cfg.weight_decay)
    return net, optimizer

# --- lr and optim function ---  #
def lr_decay(optim, epoch, base_lr):
    lr_decay_time=np.array(cfg.lr_decay_time,dtype=np.int_)  # [9, 12]
    index = np.nonzero(lr_decay_time<= (epoch+1))[0]   # 非0元素下标
    if(index.size==0):
        optim.param_groups[0]['lr'] = base_lr
        return optim
    num=index[-1].item()+1
    optim.param_groups[0]['lr'] = base_lr * (cfg.lr_decay_factor ** num)
    return optim

def warmup_lr(optim, cur_iter):
    if cur_iter >= cfg.num_warmup_iters:
        optim.param_groups[0]['lr'] = cfg.base_lr
        return optim
    update_lr = (1 - (1 - cur_iter / cfg.num_warmup_iters) * (1 - cfg.warmup_factor)) * cfg.base_lr
    optim.param_groups[0]['lr'] = update_lr
    return optim

def main():
    all_lr = []
    net, optimizer = build_net_optim()
    for epoch in range(cfg.max_epochs):
        # 学习率据epoch数目进行衰减
        optimizer = lr_decay(optimizer, epoch, cfg.base_lr)
        # 仅在第一个epoch内进行warmup，若num_warmup_iters超过了一个epoch所需的iteration,则第二个epoch后则默认以base_lr进行优化
        for cur_iter, data in enumerate(dataloader):
            if epoch == 0:
                optimizer = warmup_lr(optimizer, cur_iter)
            #print('//'.format(epoch, cur_iter, optimizer.param_groups[0]['lr']))
            all_lr.append(optimizer.param_groups[0]['lr'])
    return all_lr

if __name__ == '__main__':
    all_lr = main()
    plt.plot(range(len(all_lr)), all_lr, color='r')
    plt.show()
    plt.savefig('/root/lr.png', dpi=300)

总结

 后期会更新其余论文中的优化器及其学习率曲线，应该还会出一期可视化mmdetection学习率曲线的教程，以便对齐自己复现学习率曲线。敬请期待…

参考

 https://mp.weixin.qq.com/s/t_gUJWWMLfkG06-R_pXJqQ