一、具体参数:
data_cfg:
dataset_name: 使用的数据集名称。
dataset_root: 数据集的根目录路径。
dataset_partition: 数据集分区信息的文件路径。
num_workers: 加载数据时使用的工作线程数。
remove_no_gallery: 如果为true,则移除没有对应画廊的探测样本。
test_dataset_name: 测试时使用的数据集名称。
cache: 是否缓存数据以加快训练速度。
evaluator_cfg:
enable_float16: 是否启用半精度浮点数以减少内存占用和加速计算。
restore_ckpt_strict: 恢复检查点时是否严格匹配模型参数。
restore_hint: 恢复训练的迭代次数提示。
save_name: 保存模型和日志的名称。
sampler: 定义测试时的采样器配置。
metric: 使用的距离度量方式,例如欧几里得距离(euc)或余弦相似度(cos)。
transform: 定义测试时使用的数据转换。
loss_cfg:
loss_term_weight: 损失项的权重。
margin: TripletLoss的边界值。
type: 损失函数的类型。
log_prefix: 日志前缀。
scale: CrossEntropyLoss的缩放因子。
log_accuracy: 是否记录准确率。
model_cfg:
model: 使用的模型名称。
backbone_cfg: 定义模型主干网络的配置。
SeparateFCs: 定义全连接层的输入和输出通道数以及部分数量。
SeparateBNNecks: 定义批归一化层的类别数、输入通道数和部分数量。
bin_num: 定义直方图的箱数。
optimizer_cfg:
lr: 学习率。
momentum: 动量。
solver: 优化器类型。
weight_decay: 权重衰减。
scheduler_cfg:
gamma: 学习率衰减因子。
milestones: 学习率衰减的里程碑。
scheduler: 学习率调度器类型。
trainer_cfg:
enable_float16: 是否启用半精度浮点数。
fix_BN: 是否固定批归一化层的参数。
with_test: 是否在训练时进行测试。
log_iter: 日志记录的迭代间隔。
restore_ckpt_strict: 恢复检查点时是否严格匹配模型参数。
restore_hint: 恢复训练的迭代次数提示。
save_iter: 保存检查点的迭代间隔。
save_name: 保存模型和日志的名称。
sync_BN: 是否同步批归一化层的参数。
total_iter: 总迭代次数。
sampler: 定义训练时的采样器配置。
transform: 定义训练时使用的数据转换。
PS:注意这个参数:save_iter: 保存检查点的迭代间隔。你设置的间隔就是你每次保存权重的间隔