目录
- 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。
? ? ? ? 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：
? ? ? ? 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。
????????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,
)????????如果想按照 iter 训练模型，需要做以下改动：
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?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?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?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。
?????????如果想按照 epoch 训练模型，需要做以下改动：
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?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?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?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：
????????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。
🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸????🍎🍎👍👍🌷🌷
?