【MMEngine】由EpochBased 切换至 IterBased参数修改解析及源码讲解
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 IterBasedTraining 和 EpochBasedTraining 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 IterBasedTraining 和 EpochBasedTraining 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（IterBasedTrainLoop 或 EpochBasedTrainLoop），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--
⛵⛵⭐⭐