背景：最近偷闲学习openPCDet，记录一下基本训练可能用到的一些配置。以下为个人学习探索，仅供参考。
含义： 指定用于训练的配置文件，其中包含了模型、优化器、学习率等相关的配置信息。
作用： 通过配置文件统一管理各种超参数，方便在不同的实验中灵活调整模型和训练设置。
含义： 每个训练步中用于更新模型参数的样本数。
作用： 控制模型参数的更新频率，影响训练速度和显存占用。
含义： 训练数据集被完整处理的次数。
作用： 控制训练的轮数，一个 epoch 代表整个数据集被模型训练一次。
含义： 数据加载时的并行工作线程数。
作用： 提高数据加载效率，加速训练过程。
含义： 用于区分实验结果的额外标签。
作用： 区分不同实验的结果文件，方便结果的组织和对比。
含义： 指定从哪个检查点（模型参数保存的文件）开始训练。
作用： 支持模型训练的断点续训。
含义： 指定预训练模型的路径。
作用： 可以加载预训练模型，用于迁移学习或加速模型收敛。
含义： 分布式训练的启动方式，支持本地、PyTorch 内置和 Slurm。
作用： 配置分布式训练的启动方式。
含义： 分布式训练时使用的 TCP 端口。
作用： 配置分布式训练的通信端口。
含义： 是否使用同步批量归一化。
作用： 控制是否使用同步批量归一化，适用于分布式训练。
含义： 是否固定随机种子。
作用： 固定随机种子以便实验的可重复性。
含义： 模型参数保存的间隔，即每隔多少个 epoch 保存一次。
作用： 控制模型参数保存的频率，避免在训练过程中遗失重要的模型状态。
含义： 本地进程的排名，用于分布式训练中标识不同的进程。
作用： 配置分布式训练中每个本地进程的唯一标识。
含义： 允许保存的最大检查点数目。
作用： 控制保存的模型参数文件的数量，避免占用过多磁盘空间。
含义： 是否将所有迭代合并为一个 epoch。
作用： 针对一些特殊情况，将所有迭代视为一个 epoch 进行训练。
含义： 最大等待时间，训练若在指定时间内未开始将终止。
作用： 避免在分布式训练中等待时间过长。
含义： 指定从哪个 epoch 开始训练。
作用： 控制训练的起始 epoch。
含义： 训练完成后评估的 epoch 数。
作用： 训练完成后执行模型评估的 epoch 数目。
含义： 是否将训练结果保存到文件。
作用： 控制是否将训练过程的结果记录到文件中。
含义： 是否使用 tqdm 进度条记录中间损失。
作用： 控制是否在终端使用 tqdm 进度条显示训练进度。
含义： 记录训练损失的迭代间隔。
作用： 控制记录训练损失的频率。
含义： 模型参数保存的时间间隔。
作用： 控制模型参数保存的时间间隔，以秒为单位。
含义： 是否关闭 GPU 统计信息。
作用： 控制是否在训练过程中关闭 GPU 的统计信息。
含义： 是否使用混合精度训练。
作用： 控制是否在训练过程中使用混合精度（Mixed Precision）训练，以减少显存占用并加速训练。
###################
好记性不如烂笔头
积跬步期千里