python fvcore 简单安装及使用详解，CfgNode和Registry祥解付代码

前言

简单介绍使用方法：
fvcore是一个由Facebook AI Research开发的Python工具库，提供了一些方便的工具函数和类，用于简化深度学习项目的开发过程。下面是一些fvcore库的常用功能和使用方法：

1. 安装fvcore库：可以使用pip安装fvcore库，命令如下：

pip install fvcore

2. 导入fvcore库：在Python代码中导入fvcore库，可以使用以下语句：

import fvcore

3. 使用配置文件：fvcore提供了config模块，可以方便地加载和管理配置文件。可以使用以下代码加载配置文件：

from fvcore.common.config import CfgNode

cfg = CfgNode.load_yaml_file("config.yaml")

4. 使用日志记录：fvcore提供了logger模块，可以方便地记录日志。可以使用以下代码记录日志：

from fvcore.common.logger import setup_logger

logger = setup_logger(name="my_logger")
logger.info("This is an info message")

5. 使用计时器：fvcore提供了timer模块，可以方便地计时代码段的执行时间。可以使用以下代码计时：

from fvcore.common.timer import Timer

timer = Timer()
timer.tic()
# 执行需要计时的代码段
timer.toc()
print("Elapsed time: {:.2f}s".format(timer.average_time))

6. 使用其他工具函数：fvcore还提供了一些其他的工具函数，如文件操作、数据结构操作等。可以根据具体需求查看fvcore文档并使用相应的函数。

• 通过使用fvcore库提供的工具函数和类，可以简化深度学习项目的开发过程，提高开发效率。建议查看fvcore的官方文档以获取更多详细信息和示例代码。

作用和好处：

1. 简化代码：fvcore库提供了许多方便的工具函数和类，可以帮助开发者简化代码，减少重复性工作，提高代码的可读性和可维护性。

2. 提高效率：fvcore库提供了一些高效的工具函数和类，可以帮助开发者更快地完成深度学习项目的开发，提高开发效率。

3. 提供标准化工具：fvcore库提供了一些标准化的工具函数和类，可以帮助开发者遵循一致的代码规范和最佳实践，减少错误和提高代码质量。

4. 方便调试和日志记录：fvcore库提供了方便的日志记录功能，可以帮助开发者更好地调试代码并记录关键信息，有助于排查问题和优化代码。

5. 提供实用工具：fvcore库提供了一些实用的工具函数，如配置文件管理、计时器等，可以帮助开发者更方便地管理项目和执行任务。

• 总的来说，使用fvcore库可以使深度学习项目的开发过程更加高效、简洁和可靠，帮助开发者更好地专注于算法实现和模型设计，而不是繁琐的工程细节。因此，推荐在深度学习项目中使用fvcore库以提高开发效率和代码质量。

1. 安装

pip install fvcore

2. from fvcore.common.config import CfgNode

类似如下定义各个节点各个参数

# -----------------------------------------------------------------------------
# Config definition
# -----------------------------------------------------------------------------
_C = CfgNode()

# ---------------------------------------------------------------------------- #
# Batch norm options
# ---------------------------------------------------------------------------- #
_C.BN = CfgNode()

# Precise BN stats.
_C.BN.USE_PRECISE_STATS = False

# Number of samples use to compute precise bn.
_C.BN.NUM_BATCHES_PRECISE = 200

# Weight decay value that applies on BN.
_C.BN.WEIGHT_DECAY = 0.0

# Norm type, options include `batchnorm`, `sub_batchnorm`, `sync_batchnorm`
_C.BN.NORM_TYPE = "batchnorm"

# Parameter for SubBatchNorm, where it splits the batch dimension into
# NUM_SPLITS splits, and run BN on each of them separately independently.
_C.BN.NUM_SPLITS = 1

# Parameter for NaiveSyncBatchNorm3d, where the stats across `NUM_SYNC_DEVICES`
# devices will be synchronized.
_C.BN.NUM_SYNC_DEVICES = 1


# ---------------------------------------------------------------------------- #
# Training options.
# ---------------------------------------------------------------------------- #
_C.TRAIN = CfgNode()

# If True Train the model, else skip training.
_C.TRAIN.ENABLE = True

# Dataset.
_C.TRAIN.DATASET = "kinetics"

# Total mini-batch size.
_C.TRAIN.BATCH_SIZE = 5

# Evaluate model on test data every eval period epochs.
_C.TRAIN.EVAL_PERIOD = 10

# Save model checkpoint every checkpoint period epochs.
_C.TRAIN.CHECKPOINT_PERIOD = 10

def get_cfg():
    """
    Get a copy of the default config.
    """
    return _C.clone()

调用 get_cfg()函数即可获得定义的各个参数
如果想和原有的config.yaml文件合并，则只需要执行
cfg.merge_from_file(path_to_config)，配合parse_args（）使用能让代码看起来很清爽

可参考别人代码中写的
https://github.com/Sense-X/UniFormer/tree/main/video_classification

3. from fvcore.common.registry import Registry

妙用Registry，当我需要判断不同的函数时可以使用这个妙用

from fvcore.common.registry import Registry
my_registry = Registry("111")
# 在类和函数名装饰，注册该类和函数
@my_registry.register()
def function(cfg):
    f(**cfg)
  
# 在类和函数名装饰，注册该类和函数，实现通过函数名或者类名字直接调用 
my_registry.get('function')(testcfg)