MMsegmentation教程 6: 自定义运行设定

简介: MMsegmentation教程 6: 自定义运行设定

自定义优化设定


自定义 PyTorch 支持的优化器


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:

optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001)


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。


自定义自己实现的优化器

1. 定义一个新的优化器


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:

from .registry import OPTIMIZERS
from torch.optim import Optimizer
@OPTIMIZERS.register_module()
class MyOptimizer(Optimizer):
    def __init__(self, a, b, c)


2. 增加优化器到注册表 (registry)


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。

  • 修改 mmseg/core/optimizer/__init__.py 来导入它
    新的被定义的模块应该被导入到 mmseg/core/optimizer/__init__.py 这样注册表将会发现新的模块并添加它

from .my_optimizer import MyOptimizer


  • 在配置文件里使用 custom_imports 去手动导入它

custom_imports = dict(imports=['mmseg.core.optimizer.my_optimizer'], allow_failed_imports=False)

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。

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。


3. 在配置文件里定义优化器


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:

optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)


为了使用您自己的优化器,这个域可以被改成:

optimizer = dict(type='MyOptimizer', a=a_value, b=b_value, c=c_value)


自定义优化器的构造器 (constructor)


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。

from mmcv.utils import build_from_cfg
from mmcv.runner.optimizer import OPTIMIZER_BUILDERS, OPTIMIZERS
from mmseg.utils import get_root_logger
from .my_optimizer import MyOptimizer
@OPTIMIZER_BUILDERS.register_module()
class MyOptimizerConstructor(object):
    def __init__(self, optimizer_cfg, paramwise_cfg=None):
    def __call__(self, model):
        return my_optimizer


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。


额外的设置


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。


  • 使用梯度截断 (gradient clip) 去稳定训练:
    一些模型需要梯度截断去稳定训练过程,如下所示


optimizer_config = dict(
    _delete_=True, grad_clip=dict(max_norm=35, norm_type=2))


  • 如果您的配置继承自已经设置了  optimizer_config 的基础配置 (base config),您可能需要 _delete_=True 来重写那些不需要的设置。更多细节请参照 配置文件文档


  • 使用动量计划表 (momentum schedule) 去加速模型收敛:
    我们支持动量计划表去让模型基于学习率修改动量,这样可能让模型收敛地更快。
    动量计划表经常和学习率计划表 (LR scheduler) 一起使用,例如如下配置文件就在 3D 检测里经常使用以加速收敛。
    更多细节请参考 CyclicLrUpdaterCyclicMomentumUpdater 的实现。


lr_config = dict(
    policy='cyclic',
    target_ratio=(10, 1e-4),
    cyclic_times=1,
    step_ratio_up=0.4,
)
momentum_config = dict(
    policy='cyclic',
    target_ratio=(0.85 / 0.95, 1),
    cyclic_times=1,
    step_ratio_up=0.4,
)


自定义训练计划表


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 CosineAnnealingPoly 计划表。下面是一些例子:


  • 步计划表 Step schedule:


lr_config = dict(policy='step', step=[9, 10])


  • 余弦退火计划表 ConsineAnnealing schedule:


lr_config = dict(
    policy='CosineAnnealing',
    warmup='linear',
    warmup_iters=1000,
    warmup_ratio=1.0 / 10,
    min_lr_ratio=1e-5)


自定义工作流 (workflow)


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:

workflow = [('train', 1)]


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:

[('train', 1), ('val', 1)]


于是 1 个 epoch 训练,1 个 epoch 验证将交替运行。


注意:

  1. 模型的参数在验证的阶段不会被自动更新
  2. 配置文件里的关键词 total_epochs 仅控制训练的 epochs 数目,而不会影响验证时的工作流
  3. 工作流 [('train', 1), ('val', 1)][('train', 1)] 将不会改变 EvalHook 的行为,因为 EvalHookafter_train_epoch
    调用而且验证的工作流仅仅影响通过调用 after_val_epoch 的钩子 (hooks)。因此, [('train', 1), ('val', 1)][('train', 1)]
    的区别仅在于 runner 将在每次训练 epoch 结束后计算在验证集上的损失


自定义钩 (hooks)


使用 MMCV 实现的钩子 (hooks)


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:

custom_hooks = [
    dict(type='MyHook', a=a_value, b=b_value, priority='NORMAL')
]


修改默认的运行时间钩子 (runtime hooks)


以下的常用的钩子没有被 custom_hooks 注册:

  • log_config
  • checkpoint_config
  • evaluation
  • lr_config
  • optimizer_config
  • momentum_config

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_configmomentum_configlr_config

这里我们展示我们如何处理 log_configcheckpoint_configevaluation


检查点配置文件 (Checkpoint config)


MMCV runner 将使用 checkpoint_config 去初始化 CheckpointHook.

checkpoint_config = dict(interval=1)


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


日志配置文件 (Log config)


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 WandbLoggerHookMlflowLoggerHookTensorboardLoggerHook

详细的使用请参照 文档

log_config = dict(
    interval=50,
    hooks=[
        dict(type='TextLoggerHook'),
        dict(type='TensorboardLoggerHook')
    ])


评估配置文件 (Evaluation config)


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()

evaluation = dict(interval=1, metric='mIoU')


相关文章
|
Java 应用服务中间件
publiccms中,怎么修改默认的端口8080以及默认上下文名称
publiccms中,怎么修改默认的端口8080以及默认上下文名称
130 0
|
Java 开发者 Spring
项目启动加载限流规则代码|学习笔记
快速学习项目启动加载限流规则代码
|
测试技术 数据库
软件测试面试题:在哪里设置自动关联的选项?
软件测试面试题:在哪里设置自动关联的选项?
88 0
|
Python
Python 技术篇-在cmd命令提示行里模拟动态下载进度条实例演示,cmd清除日志、打印动态内容方法
Python 技术篇-在cmd命令提示行里模拟动态下载进度条实例演示,cmd清除日志、打印动态内容方法
528 0
Python 技术篇-在cmd命令提示行里模拟动态下载进度条实例演示,cmd清除日志、打印动态内容方法
|
IDE 开发工具 C++
如何配置ofxFaceTracker的AdvancedExample例子【更新】
如何配置ofxFaceTracker的AdvancedExample例子【更新】
125 0
如何配置ofxFaceTracker的AdvancedExample例子【更新】
|
XML Android开发 数据格式
【PageLayout】非常简单的一键切换加载-空数据-错误页,支持自定义
版权声明:本文为博主原创文章,转载请标明出处。 https://blog.csdn.net/lyhhj/article/details/82594706 项目中我们经常会用到的加载数据,加载完数据后显示内容,如果没有数据显示一个空白页,这是如果网络错误了显示一个网络错误页,自定义一个PageLayout。
1162 0
|
Go 图形学 Android开发
Unity 之 自动设置导入资源属性选项(模型、图片、声音)
在项目开发中会经常性的更换、导入很多资源,而且对于资源的设置容易出现设置错误或者忘记设置的情况,下面的Code是用untyi自带的AssetPostprocessor功能把导入的资源根据一定的规则自动设置对应的格式选项,使用的时候也很方便,只需要把脚本...
2708 0
WordPress发布文章/页面时自动添加默认的自定义字段
如果你每篇文章或页面都需要插入同一个自定义字段和值,可以考虑在WordPress发布文章/页面时,自动添加默认的自定义字段
1478 0