【MMEngine】由EpochBased 切换至 IterBased参数修改解析及源码讲解

目录

🎵🎵背景

👉👉动机 

🌟 🌟EpochBased 配置举例

🌸🌸按照 iter 训练模型

🌷train_cfg

🌷default_hooks

🌷param_scheduler 

🌷log_processor

🌸🌸按照 epoch 训练模型

🌷train_cfg

🌷default_hooks

🌷param_scheduler

🌷log_processor

🐸🐸注意事项

✌️完整mmengine源码：链接

整理不易，欢迎一键三连！！！送你们一条美丽的--分割线--

---

🎵🎵背景

• 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。

👉👉动机 

        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：

• 基于轮次的 EpochBased 方式
• 基于迭代次数的 IterBased 方式

        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。

🌟 🌟EpochBased 配置举例

        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,
)

🌸🌸按照 iter 训练模型

        如果想按照 iter 训练模型，需要做以下改动：

🌷train_cfg

• 将 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

• 将 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 

• 将 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

• 将 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。

🌸🌸按照 epoch 训练模型

🌷train_cfg

         如果想按照 epoch 训练模型，需要做以下改动：

• 将 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

• 将 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

• 将 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

• 将 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：

🐸🐸注意事项

        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。

✌️完整mmengine源码：链接

整理不易，欢迎一键三连！！！
送你们一条美丽的--分割线--

🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷