coco数据集处理的参数详解（w32_4x_reg03_bs10_512_adam_lr1e-3_coco_x140.yam参数注释）

平时再跑一些深度学习 项目的时候，coco数据怎么进行处理数据的是必须得看的，
但是有一些参数不是很懂什么意思，因此本文就是解释这些参数的。




AUTO_RESUME: True   #自动恢复
DATA_DIR: ''        #数据文件夹
GPUS: (0,)          #GPU数量
LOG_DIR: log    #log是日志文件，通常是系统或者某些软件对已完成的某种处理的记录，以便将来做为参考
OUTPUT_DIR: output  #监测信息的输出文件目录
PRINT_FREQ: 100     #表示100轮打印一次参数
VERBOSE: False      #verbose表示详细信息,verbose=FALSE,意思就是设置运行的时候不显示详细信息
CUDNN:
  BENCHMARK: True
  DETERMINISTIC: False
  ENABLED: True
#    在很多情况下，设置这个参数能让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，以此达到优化运行效率的问题。
通常来说会遵循以下准则：
    如果网络的输入数据维度或类型上变化不明显，设置 torch.backends.cudnn.benchmark = true
可以增加运行效率；
    如果网络的输入数据在每次 iteration 都发生变化，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。
    cuDNN使用非确定性算法，并且可以使用torch.backends.cudnn.enabled = False来进行禁用。如果设置为torch.backends.cudnn.enabled =True，说明设置为使用非确定性算法。
    所以我们经常看见在代码开始出两者同时设置：

DATASET:
  DATASET: coco_kpt  #coco关键点检测的数据集
  DATASET_TEST: coco   #测试集也是coco
  DATA_FORMAT: zip     #数据格式是zip（不用解压也行）
  FLIP: 0.5            #翻转（数据增强的一种方式）
  INPUT_SIZE: 512      #输入尺寸
  OUTPUT_SIZE: 128     #输出尺寸
  MAX_NUM_PEOPLE: 30   #最大人数
  MAX_ROTATION: 30     #图片最大的旋转角度
  MAX_SCALE: 1.5       #该方法将每个特征放缩到给定范围内（默认范围0-1）
  SCALE_TYPE: 'short'  #缩放类型
  MAX_TRANSLATE: 40    #最大_平移，数据增强方式之一
  MIN_SCALE: 0.75      #与上述MAX_SCALE相对应
  NUM_JOINTS: 17       #关键点数量
  ROOT: 'data/coco'    #根目录
  TEST: val2017        #测试集
  TRAIN: train2017     #训练集
  OFFSET_RADIUS: 4     #偏移_半径
  SIGMA: 2.0           #方差
  CENTER_SIGMA: 4.0    #中心处的方差
  BG_WEIGHT: 0.1       #计算损失时每个反例样本的权值，正例样本权值全为1
LOSS:
  WITH_HEATMAPS_LOSS: True #热图损失函数
  HEATMAPS_LOSS_FACTOR: 1.0  #热图损失因数
  WITH_OFFSETS_LOSS: True    #偏移损失
  OFFSETS_LOSS_FACTOR: 0.03   #偏移损失因数
MODEL:
  SPEC:
    FINAL_CONV_KERNEL: 1     #最终的卷积核
    PRETRAINED_LAYERS: ['*']  #预训练层
    STAGES:
      NUM_STAGES: 3     #阶段数
      NUM_MODULES:      #模块数
      - 1
      - 4
      - 3
      NUM_BRANCHES:     #分支数
      - 2
      - 3
      - 4
      BLOCK:            #三个残差块（BasicBlock）          
      - BASIC
      - BASIC
      - BASIC
      NUM_BLOCKS:       #BLOCK的数量
      - [4, 4]
      - [4, 4, 4]
      - [4, 4, 4, 4]
      NUM_CHANNELS:     #通道数量
      - [32, 64]
      - [32, 64, 128]
      - [32, 64, 128, 256]
      FUSE_METHOD:      #融合方法为相加
      - SUM
      - SUM
      - SUM
    HEAD_HEATMAP:       #头部热图，残差模块为1，通道数为32，扩展率为1
      BLOCK: BASIC
      NUM_BLOCKS: 1
      NUM_CHANNELS: 32
      DILATION_RATE: 1
    HEAD_OFFSET:        #头部偏移，分块自适应模块,模块数量,扩张率为1
      BLOCK: ADAPTIVE
      NUM_BLOCKS: 2
      NUM_CHANNELS_PERKPT: 15  
      DILATION_RATE: 1
  INIT_WEIGHTS: True   #这是一个函数，
import torch.nn as nn


def init_weights(model):
    # kaiming高斯初始化，使得每一卷积层的输出的方差都为1
    # torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
    # a ：Relu函数的负半轴斜率
    # mode：表示让前向传播还是反向传播的输出方差为1
    for m in model.modules():
        if isinstance(m, nn.Conv2d):
            nn.init.kaiming_normal_(m.weight.data,
                                    mode='fan_out',
                                    nonlinearity='relu')
        elif isinstance(m, nn.BatchNorm2d):
            # Batchnorm层一共有两个需要学习的参数：
                # scale因子，初始化为1，shift因子，初始化为0
            m.weight.data.fill_(1)
            m.bias.data.zero_()

  NAME: hrnet_dekr   
  NUM_JOINTS: 17    #关键点数
  PRETRAINED: 'model/imagenet/hrnet_w32-36af842e.pth'  #预训练采用的模型
TEST:
  FLIP_TEST: True  #翻转测试
  IMAGES_PER_GPU: 1   #根据自己的情况选择GPU数
  MODEL_FILE: '' 
  SCALE_FACTOR: [1]   #比例因子
  NMS_THRE: 0.05
  NMS_NUM_THRE: 8
  KEYPOINT_THRESHOLD: 0.01   #关键点_阈值
  ADJUST_THRESHOLD: 0.05     #调整阈值
  MAX_ABSORB_DISTANCE: 75    #最大吸收距离
  GUASSIAN_KERNEL: 6         #高斯核数
  DECREASE: 0.9              #减少
RESCORE:
  VALID: True        #Valid 用于验证注解是否符合要求，直接加在变量user之前
  MODEL_FILE: 'model/rescore/final_rescore_coco_kpt.pth' #模型文件
TRAIN:
  BEGIN_EPOCH: 0     #开始时期
  CHECKPOINT: ''     #保存更新参数
  END_EPOCH: 140     #结束时期
  GAMMA1: 0.99       #伽玛1
  GAMMA2: 0.0        #伽玛2
  IMAGES_PER_GPU: 10  #GPU数量
  LR: 0.001           #初始学习率为0.001，学习率LR控制了参数更新的速度，及模型学习的速度。
  LR_FACTOR: 0.1       #LR _因子
  LR_STEP: [90, 120]   #学习率变化扩大，没迭代到一个lr_step值，学习率下降到原来的0.1
  MOMENTUM: 0.9  #Momentum（动量）优化算法是对梯度下降法的一种优化， 它在原理上模拟了物理学中的动量，已成为目前非常流行的深度学习优化算法之一。
  NESTEROV: False   
#1.Nesterov是Momentum的变种。

2.与Momentum唯一区别就是，计算梯度的不同，Nesterov先用当前的速度v更新一遍参数，在用更新的临时参数计算梯度。

3.相当于添加了矫正因子的Momentum。

4.在GD下，Nesterov将误差收敛从O（1/k），改进到O(1/k^2)

5.然而在SGD下，Nesterov并没有任何改进

  OPTIMIZER: adam   #优化器为adam
  RESUME: False     #恢复线程
  SHUFFLE: True     #shuffle()方法将序列的所有元素随机排列语法
  WD: 0.0001        #L1,L2正则化的参数,也就是很多深度学习框架里面的wd参数,一般默认是0.0001,调整正则化的参数可以根据模型表现来,过拟合的时候可以适当加大系数,非过拟合的时候可不调这个参数,毕竟跑一次模型得花不少时间。
WORKERS: 4          #工作数量





如果有哪些不对的或者有补充的，欢迎私信。

       在跑深度学习项目的时候，我们通常会选择主要的三点，分别是：1、网络结构。2、数据集处理（本文就是关于数据集处理的一些参数注释讲解，这里我用的是coco数据集，仅供参考）。3、train.py训练文件。

        以上是对一些参数进行注释和讲解，如果有那些不对的或者有补充的，欢迎私信。