Construcción del proyecto PytorchCNN 5 --- mmcv_config

El código general se puede ver en mi github

---

Breve descripción de MMCV

mmcv es una función de biblioteca básica de Python, que incluye:

• File IO (proporciona dos interfaces generales para cargar y volcar diferentes formas de archivos)
• Imagen (implementada en opencv, debe asegurarse de que OpenCV se haya instalado durante el uso)
• Video (incluidas las interfaces de conversión y lectura de video, algunos métodos de edición de video y lectura / escritura / flexión de flujo óptico)
• Aquí utilizo principalmente el módulo Config en Utils (este módulo admite la carga de la configuración desde una variedad de formatos de archivo y proporciona una API similar a un dict para obtener y establecer valores), por lo que presentaré esta parte en detalle. Si tiene otros requisitos, puede descargarlo de Consulte los documentos oficiales del sitio web en la literatura para aprender.

---

La clase Config se usa para procesar config y archivos de configuración. Admite la configuración de carga desde múltiples formatos de archivo (incluidos python, json y yaml). Proporciona una api similar a dict para obtener y establecer valores.

---

Supongamos que colocamos los parámetros correspondientes en el archivo config.py y luego llamamos a este archivo para llamar a los parámetros

from mmcv import Config

cfg = Config.fromfile('./config/config.py')
cfg

Config (path: ./config/config.py): {'a': 1, 'b': {'b1': [0, 1, 2], 'b2': None}, 'c': (1, 2), 'd': 'string'}

cfg.a

1

cfg.b

{'b1': [0, 1, 2], 'b2': None}

cfg.d

'string'

Descripción:

El uso de esto es relativamente simple. Se guarda automáticamente en forma de diccionario. También podemos llamar a cada parámetro por separado. La ventaja de esto es que todos los parámetros del proyecto se pueden escribir en este archivo para una fácil modificación.

---

Finalmente, pegue el código de parámetro que configuró

PARA = dict(
    train=dict(
        epochs = 100,
        batch_size = 64,
        lr = 0.001,
        momentum=0.9,
        wd = 5e-4,
        num_workers = 2,
        divice_ids = [1],
        gpu_id = 0,
        num_classes=10,
    ),
    test=dict(
        batch_size=100
    ),
    cifar10_paths = dict( #这些路径函数需要替换成自己的，最好写成相对路径，而不是绝对路径
        validation_rate = 0.05,

        root = '../../DATASET/cifar10/',

        original_trainset_path = '../../../DATASET/cifar10/cifar-10-python/',#train_batch_path
        original_testset_path = '../../../DATASET/cifar10/cifar-10-python/',

        after_trainset_path = '../../../DATASET/cifar10/trainset/',
        after_testset_path = '../../../DATASET/cifar10/testset/',
        after_validset_path = '../../../DATASET/cifar10/validset/',

        train_data_txt = '../../../DATASET/cifar10/train.txt',
        test_data_txt = '../../../DATASET/cifar10/test.txt',
        valid_data_txt = '../../../DATASET/cifar10/valid.txt',
    ),
    utils_paths = dict(
        checkpoint_path = './cache/checkpoint/',
        log_path = './cache/log/',
        visual_path = './cache/visual/',
        params_path = './cache/params/',
    ),
)

---

referencias

1. documentación oficial mmcv

2. Funciones comunes y descripciones de funciones de mmcv

Finalmente, me gustaría agradecer a mi hermano, que me enseñó a construir todo el proyecto, y a los amiguitos que estudiaron juntos en el laboratorio ~ ¡Espero que tengan éxito en todo y que tengan un gran futuro!