这两天复现完毕设的三篇Baseline了,缺一个idea。
先把这俩月收藏夹的内容看完。
这个是讲深度学习网络参数的含义的。让我对代码有了基本的认识。但是距离作者的贡献点差距还很远。
mmdetection的configs中的各项参数具体解释
https://blog.csdn.net/duanyajun987/article/details/97642146
于是打算逐行看代码。先从ReDet这篇文章入手
因为不知道从哪里开始看,就直接从运行的文件入手吧,总能找到线索的。
#前边这些导包的 *** 作先不看,等到后边调用的时候再看。
from __future__ import division
import argparse
from mmcv import Config
from mmdet import __version__
from mmdet.datasets import get_dataset
from mmdet.apis import (train_detector, init_dist, get_root_logger,
set_random_seed)
from mmdet.models import build_detector
import torch
#这个函数用来解析输入的各种参数,从上边 import argparse导入的这个库
#python自带的命令行参数解析包,可以用来方便地读取命令行参数
def parse_args():
#argparse库的ArgumentParser()类用来创建一个对象,名为parser,描述是description='Train a detector'
parser = argparse.ArgumentParser(description='Train a detector')
#add_argument来添加参数,我猜不带--的是必选参数,带--的是可选参数,我猜的
#config是配置文件
parser.add_argument('config', help='train config file path')
#work_dir一般用来放训练好的模型或者输出的模型,或者运行的log等信息
parser.add_argument('--work_dir', help='the dir to save logs and models')
#resume_from 一般用来恢复训练,比如训练到一半停电了,就可以用这个参数找到之前训练好的位置,但是注意,比如训练到25epoch停电了,要从epoch24恢复,因为epoch25.pth可能损坏了,用epoch23也很保险。
parser.add_argument(
'--resume_from', help='the checkpoint file to resume from')
# validate 验证。这个参数我没用过,我猜是用来显示几轮验证一手??
parser.add_argument(
'--validate',
action='store_true',
help='whether to evaluate the checkpoint during training')
# gpus、顾名思义,跟GPU相关。后边的注释写到:只应用于“非分布式”训练,我没用过(用过,但是不知道那里有变化,没感受到实际效果)
parser.add_argument(
'--gpus',
type=int,
default=1,
help='number of gpus to use '
'(only applicable to non-distributed training)')
# seed 随机种子?没用过,我猜是用来数据增强的吧??
parser.add_argument('--seed', type=int, default=None, help='random seed')
# launcher 好像是分布式使用的,你可以ctrl F搜索launcher,下边if distribute才调用。
parser.add_argument(
'--launcher',
choices=['none', 'pytorch', 'slurm', 'mpi'],
default='none',
help='job launcher')
# local_rank 我猜也是跟分布式相关的东西,代码中没找到
parser.add_argument('--local_rank', type=int, default=0)
# 属性给与args实例: 把parser中设置的所有"add_argument"给返回到args子类实例当中, 那么parser中增加的属性内容都会在args实例中,使用即可。
args = parser.parse_args()
#最后吐槽一下,中文社区真的不行,好多函数都搜不到,可能是我菜鸡,而且咱也看不懂英文。
return args
#终于看到main函数了
def main():
# 调用 parse_args()函数,返回那些配置参数。
args = parse_args()
# Config是mmcv库中的类,从上边导包进来的,fromfile是类的函数,这一行就是把参数传给cfg了,怎么实现的我先不看,睁一只眼闭一只眼。
cfg = Config.fromfile(args.config)
# set cudnn_benchmark
# 我看不懂,从百度摘抄的:Benchmark模式会提升计算速度,但是由于计算中有随机性,每次网络前馈结果略有差异。
if cfg.get('cudnn_benchmark', False):
torch.backends.cudnn.benchmark = True
# update configs according to CLI args。根据 CLI args 更新配置
if args.work_dir is not None:
cfg.work_dir = args.work_dir
if args.resume_from is not None:
cfg.resume_from = args.resume_from
cfg.gpus = args.gpus
# init distributed env first, since logger depends on the dist info.
if args.launcher == 'none':
distributed = False
else:
distributed = True
init_dist(args.launcher, **cfg.dist_params)
# init logger before other steps
# 网上搜的都看不懂,不看了,反正跟模块、分布式有关,跟模型没啥关系。
logger = get_root_logger(cfg.log_level)
logger.info('Distributed training: {}'.format(distributed))
# set random seeds
if args.seed is not None:
logger.info('Set random seed to {}'.format(args.seed))
set_random_seed(args.seed)
# 嗯,这里开始就构建模型了,from mmdet.models import build_detector。
# 这里就把输入的那些参数传到构造训练器的函数里。
# 最后实例化注册过的模型
# 附上 源码
#def build_detector(cfg, train_cfg=None, test_cfg=None):
# return build(cfg, DETECTORS, dict(train_cfg=train_cfg, test_cfg=test_cfg))
model = build_detector(
cfg.model, train_cfg=cfg.train_cfg, test_cfg=cfg.test_cfg)
# 这里就是添加训练集的参数的,有兴趣的自己用pycharm,按住ctrl单机该函数就能跳转,篇幅原因这里不写了。
train_dataset = get_dataset(cfg.data.train)
if cfg.checkpoint_config is not None:
# save mmdet version, config file content and class names in
# checkpoints as meta data
cfg.checkpoint_config.meta = dict(
mmdet_version=__version__,
config=cfg.text,
CLASSES=train_dataset.CLASSES)
# add an attribute for visualization convenience
# 添加属性以方便可视化
model.CLASSES = train_dataset.CLASSES
train_detector(
model,
train_dataset,
cfg,
distributed=distributed,
validate=args.validate,
logger=logger)
if __name__ == '__main__':
main()
2022年4月22日14点57分
玩去了。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)