MMsegmentation教程 6: 自定义运行设定

Posted 2023-03-15

参考技术A

我们已经支持 PyTorch 自带的所有优化器，唯一需要修改的地方是在配置文件里的 optimizer 域里面。
例如，如果您想使用 ADAM (注意如下操作可能会让模型表现下降)，可以使用如下修改：

为了修改模型的学习率，使用者仅需要修改配置文件里 optimizer 的 lr 即可。
使用者可以参照 PyTorch 的 API 文档
直接设置参数。

一个自定义的优化器可以按照如下去定义：

假如您想增加一个叫做 MyOptimizer 的优化器，它的参数分别有 a , b , 和 c 。
您需要创建一个叫 mmseg/core/optimizer 的新文件夹。
然后再在文件，即 mmseg/core/optimizer/my_optimizer.py 里面去实现这个新优化器：

为了让上述定义的模块被框架发现，首先这个模块应该被导入到主命名空间 (main namespace) 里。
有两种方式可以实现它。

mmseg.core.optimizer.my_optimizer 模块将会在程序运行的开始被导入，并且 MyOptimizer 类将会自动注册。
需要注意只有包含 MyOptimizer 类的包 (package) 应当被导入。
而 mmseg.core.optimizer.my_optimizer.MyOptimizer 不能 被直接导入。

事实上，使用者完全可以用另一个按这样导入方法的文件夹结构，只要模块的根路径已经被添加到 PYTHONPATH 里面。

之后您可以在配置文件的 optimizer 域里面使用 MyOptimizer
在配置文件里，优化器被定义在 optimizer 域里，如下所示：

为了使用您自己的优化器，这个域可以被改成：

有些模型可能需要在优化器里有一些特别参数的设置，例如 批归一化层 (BatchNorm layers) 的 权重衰减 (weight decay)。
使用者可以通过自定义优化器的构造器去微调这些细粒度参数。

默认的优化器构造器的实现可以参照 这里 ，它也可以被用作新的优化器构造器的模板。

优化器没有实现的一些技巧应该通过优化器构造器 (optimizer constructor) 或者钩子 (hook) 去实现，如设置基于参数的学习率 (parameter-wise learning rates)。我们列出一些常见的设置，它们可以稳定或加速模型的训练。
如果您有更多的设置，欢迎在 PR 和 issue 里面提交。

我们根据默认的训练迭代步数 40k/80k 来设置学习率，这在 MMCV 里叫做 PolyLrUpdaterHook 。
我们也支持许多其他的学习率计划表： 这里 ，例如 CosineAnnealing 和 Poly 计划表。下面是一些例子：

工作流是一个专门定义运行顺序和轮数 (running order and epochs) 的列表 (phase, epochs)。
默认情况下它设置成：

意思是训练是跑 1 个 epoch。有时候使用者可能想检查模型在验证集上的一些指标（如 损失 loss，精确性 accuracy），我们可以这样设置工作流：

于是 1 个 epoch 训练，1 个 epoch 验证将交替运行。

注意 :

如果钩子已经在 MMCV 里被实现，如下所示，您可以直接修改配置文件来使用钩子：

以下的常用的钩子没有被 custom_hooks 注册：

在这些钩子里，只有 logger hook 有 VERY_LOW 优先级，其他的优先级都是 NORMAL 。
上述提及的教程已经包括了如何修改 optimizer_config ， momentum_config 和 lr_config 。
这里我们展示我们如何处理 log_config ， checkpoint_config 和 evaluation 。

MMCV runner 将使用 checkpoint_config 去初始化 CheckpointHook .

使用者可以设置 max_keep_ckpts 来仅保存一小部分检查点或者通过 save_optimizer 来决定是否保存优化器的状态字典 (state dict of optimizer)。 更多使用参数的细节请参考 这里 。

log_config 包裹了许多日志钩 (logger hooks) 而且能去设置间隔 (intervals)。现在 MMCV 支持 WandbLoggerHook ， MlflowLoggerHook 和 TensorboardLoggerHook 。
详细的使用请参照 文档 。

evaluation 的配置文件将被用来初始化 EvalHook 。
除了 interval 键，其他的像 metric 这样的参数将被传递给 dataset.evaluate() 。