【MMEngine】由EpochBased 切换至 IterBased参数修改解析及源码讲解

2023-12-21 07:07:56

目录

🎵🎵背景

👉👉动机?

🌟?🌟EpochBased 配置举例

🌸🌸按照 iter 训练模型

🌷train_cfg

🌷default_hooks

🌷param_scheduler?

🌷log_processor

🌸🌸按照 epoch 训练模型

🌷train_cfg

🌷default_hooks

🌷param_scheduler

🌷log_processor

🐸🐸注意事项

??完整mmengine源码:链接

整理不易,欢迎一键三连!!!送你们一条美丽的--分割线--


🎵🎵背景

  • 上一篇讲到如何基于mmengine设置train_cfg参数,感兴趣的童鞋可以移步。
  • 上一篇主要讲解通过RUNNER.ITERBASEDTRAINLOOP与RUNNER.EPOCHBASEDTRAINLOOP 源码解析说明了基于迭代次数和轮数的config文件设置。本篇主要讲解除train_cfg之外,由EPOCHBASED 切换至 ITERBASED的其他参数的完整设置。

👉👉动机?

? ? ? ? 基于MMEngine做模型训练,设置各种hook时,总是看不到源码,只能按照既定模式进行网络训练,要修改就得自己试参数,索性咱们就一次深挖到底,看看最底层的代码是如何写的,就不用每次猜参数了。

? ? ? ? MMEngine 支持两种训练模式:

  • 基于轮次的 EpochBased 方式
  • 基于迭代次数的 IterBased 方式

? ? ? ? 这两种方式在下游算法库均有使用,例如MMDetection 默认使用 EpochBased 方式,MMSegmentation默认使用 IterBased 方式。本篇主要讲解除train_cfg参数之外,由EPOCHBASED 切换至 ITERBASED的其他参数的完整设置。

🌟?🌟EpochBased 配置举例

????????MMEngine 很多模块默认以 EpochBased 的模式执行,如?ParamScheduler,?LoggerHook,?CheckpointHook?等,常见的 EpochBased 配置写法如下:

param_scheduler = dict(
    type='MultiStepLR',
    milestones=[6, 8]
    by_epoch=True  # by_epoch 默认为 True,这边显式的写出来只是为了方便对比
)

default_hooks = dict(
    logger=dict(type='LoggerHook'),
    checkpoint=dict(type='CheckpointHook', interval=2),
)

train_cfg = dict(
    by_epoch=True,  # by_epoch 默认为 True,这边显式的写出来只是为了方便对比
    max_epochs=10,
    val_interval=2
)

log_processor = dict(
    by_epoch=True
)  # log_processor 的 by_epoch 默认为 True,这边显式的写出来只是为了方便对比, 实际上不需要设置

runner = Runner(
    model=ResNet18(),
    work_dir='./work_dir',
    train_dataloader=train_dataloader_cfg,
    optim_wrapper=dict(optimizer=dict(type='SGD', lr=0.001, momentum=0.9)),
    param_scheduler=param_scheduler
    default_hooks=default_hooks,
    log_processor=log_processor,
    train_cfg=train_cfg,
    resume=True,
)

🌸🌸按照 iter 训练模型

????????如果想按照 iter 训练模型,需要做以下改动:

🌷train_cfg

  • 将?train_cfg?中的?by_epoch?设置为?False,同时将?max_iters?设置为训练的总 iter 数,val_iterval?设置为验证间隔的 iter 数。示例代码如下:
train_cfg = dict(
    by_epoch=False,
    max_iters=10000,
    val_interval=2000
)

🌷default_hooks

  • 将?default_hooks?中的?logger?的?log_metric_by_epoch?设置为 False,?checkpoint?的?by_epoch?设置为?False。示例代码如下:
default_hooks = dict(
    logger=dict(type='LoggerHook', log_metric_by_epoch=False),
    checkpoint=dict(type='CheckpointHook', by_epoch=False, interval=2000),
)

🌷param_scheduler?

  • 将?param_scheduler?中的?by_epoch?设置为?False,并將?epoch?相关的参数换算成?iter。示例代码如下:
param_scheduler = dict(
    type='MultiStepLR',
    milestones=[6000, 8000],
    by_epoch=False,
)

🌷log_processor

  • 将?log_processor?的?by_epoch?设置为?False。示例代码如下:
log_processor = dict(
    by_epoch=False
)

📢📢?注意:如果你能保证 IterBasedTrainingEpochBasedTraining 总 iter 数一致,直接设置?convert_to_iter_based?为?True?即可。

🌸🌸按照 epoch 训练模型

🌷train_cfg

?????????如果想按照 epoch 训练模型,需要做以下改动:

  • 将?train_cfg?中的?by_epoch?设置为?True,同时将?max_epochs?设置为训练的总epoch数,val_iterval?设置为验证间隔的 epoch数。示例代码如下:
train_cfg = dict(
    by_epoch=True,
    max_epochs=10,
    val_interval=2
)

🌷default_hooks

  • 将?default_hooks?中的?logger?的?log_metric_by_epoch?设置为 ?True,?checkpoint?的?by_epoch?设置为??True。示例代码如下:
default_hooks = dict(
    logger=dict(type='LoggerHook', log_metric_by_epoch=True),
    checkpoint=dict(type='CheckpointHook', interval=2, by_epoch=True),
)

🌷param_scheduler

  • 将?param_scheduler?中的?by_epoch?设置为??True,并將iter?相关的参数换算成?epoch?示例代码如下:
param_scheduler = dict(
    type='MultiStepLR',
    milestones=[6, 8],
    by_epoch=True,
)

🌷log_processor

  • 将?log_processor?的?by_epoch?设置为?True。示例代码如下:
log_processor = dict(
    by_epoch=True
)

📢???????📢?注意:如果你能保证 IterBasedTrainingEpochBasedTraining 总 iter 数一致,直接设置?convert_to_iter_based?为?True?即可。示例代码如下:

🐸🐸注意事项

????????如果基础配置文件为 train_dataloader 配置了基于 iteration/epoch 采样的 sampler,则需要在当前配置文件中将其更改为指定类型的 sampler,或将其设置为 None。当 dataloader 中的 sampler 为 None,MMEngine 或根据 train_cfg 中的 by_epoch 参数选择?InfiniteSampler(False) 或?DefaultSampler(True)

????????如果基础配置文件在 train_cfg 中指定了 type,那么必须在当前配置文件中将 type 覆盖为(IterBasedTrainLoopEpochBasedTrainLoop),而不能简单的指定 by_epoch 参数。

??完整mmengine源码:链接

整理不易,欢迎一键三连!!!
送你们一条美丽的--分割线--

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸????🍎🍎👍👍🌷🌷
?

文章来源:https://blog.csdn.net/qq_38308388/article/details/135089316
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。