训练引擎¶
MMEngine 定义了一些基础循环控制器 例如基于轮次的训练循环 (EpochBasedTrainLoop
), 基于迭代次数的训练循环 (IterBasedTrainLoop
), 标准的验证循环 (ValLoop
) 和标准的测试循环 (TestLoop
).
OpenMMLab 的算法库如 MMSegmentation 将模型训练, 测试和推理抽象为执行器(Runner
) 来处理. 用户可以直接使用 MMEngine 中的默认执行器, 也可以对执行器进行修改以满足定制化需求. 这个文档主要介绍用户如何配置已有的运行设定, 钩子和优化器的基本概念与使用方法.
配置运行设定¶
配置训练长度¶
循环控制器指的是训练, 验证和测试时的执行流程, 在配置文件里面使用 train_cfg
, val_cfg
和 test_cfg
来构建这些流程. MMSegmentation 在 configs/_base_/schedules
文件夹里面的 train_cfg
设置常用的训练长度.
例如, 使用基于迭代次数的训练循环 (IterBasedTrainLoop
) 去训练 80,000 个迭代次数, 并且每 8,000 iteration 做一次验证, 可以如下设置:
train_cfg = dict(type='IterBasedTrainLoop', max_iters=80000, val_interval=8000)
配置训练优化器¶
这里是一个 SGD 优化器的例子:
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005),
clip_grad=None)
OpenMMLab 支持 PyTorch 里面所有的优化器, 更多细节可以参考 MMEngine 优化器文档.
需要强调的是, optim_wrapper
是 runner
的变量, 所以需要配置优化器时配置的字段是 optim_wrapper
字段. 更多关于优化器的使用方法, 可以看下面优化器的章节.
配置训练参数调度器¶
在配置训练参数调度器前, 推荐先了解 MMEngine 文档 里面关于参数调度器的基本概念.
以下是一个参数调度器的例子, 训练时前 1,000 个 iteration 时采用线性变化的学习率策略作为训练预热, 从 1,000 iteration 之后直到最后 16,000 个 iteration 时则采用默认的多项式学习率衰减:
param_scheduler = [
dict(type='LinearLR', by_epoch=False, start_factor=0.1, begin=0, end=1000),
dict(
type='PolyLR',
eta_min=1e-4,
power=0.9,
begin=1000,
end=160000,
by_epoch=False,
)
]
注意: 当修改 train_cfg
里面 max_iters
的时候, 请确保参数调度器 param_scheduler
里面的参数也被同时修改.
钩子 (Hook)¶
介绍¶
OpenMMLab 将模型训练和测试过程抽象为 Runner
, 插入钩子可以实现在 Runner
中不同的训练和测试节点 (例如 “每个训练 iter 前后”, “每个验证 iter 前后” 等不同阶段) 所需要的相应功能. 更多钩子机制的介绍可以参考这里.
Runner
中所使用的钩子分为两类:
默认钩子 (default hooks)
它们实现了训练时所必需的功能, 在配置文件中用 default_hooks
定义传给 Runner
, Runner
通过 register_default_hooks
方法注册.
钩子有对应的优先级, 优先级越高, 越早被执行器调用. 如果优先级一样, 被调用的顺序和钩子注册的顺序一致.
不建议用户修改默认钩子的优先级, 可以参考 mmengine hooks 文档 了解钩子优先级的定义.
下面是 MMSegmentation 中所用到的默认钩子:
钩子 | 功能 | 优先级 |
---|---|---|
IterTimerHook | 记录 iteration 花费的时间. | NORMAL (50) |
LoggerHook | 从 Runner 里不同的组件中收集日志记录, 并将其输出到终端, JSON 文件, tensorboard, wandb 等下游. |
BELOW_NORMAL (60) |
ParamSchedulerHook | 更新优化器里面的一些超参数, 例如学习率的动量. | LOW (70) |
CheckpointHook | 规律性地保存 checkpoint 文件. | VERY_LOW (90) |
DistSamplerSeedHook | 确保分布式采样器 shuffle 是打开的. | NORMAL (50) |
SegVisualizationHook | 可视化验证和测试过程里的预测结果. | NORMAL (50) |
MMSegmentation 会在 defualt_hooks
里面注册一些训练所必需功能的钩子::
default_hooks = dict(
timer=dict(type='IterTimerHook'),
logger=dict(type='LoggerHook', interval=50, log_metric_by_epoch=False),
param_scheduler=dict(type='ParamSchedulerHook'),
checkpoint=dict(type='CheckpointHook', by_epoch=False, interval=32000),
sampler_seed=dict(type='DistSamplerSeedHook'),
visualization=dict(type='SegVisualizationHook'))
以上默认钩子除 SegVisualizationHook
外都是在 MMEngine 中所实现, SegVisualizationHook
是在 MMSegmentation 里被实现的钩子, 之后会专门介绍.
修改默认的钩子
以 default_hooks
里面的 logger
和 checkpoint
为例, 我们来介绍如何修改 default_hooks
中默认的钩子.
(1) 模型保存配置
default_hooks
使用 checkpoint
字段来初始化模型保存钩子 (CheckpointHook).
checkpoint = dict(type='CheckpointHook', interval=1)
用户可以设置 max_keep_ckpts
来只保存少量的检查点或者用 save_optimizer
来决定是否保存 optimizer 的信息.
更多相关参数的细节可以参考这里.
(2) 日志配置
日志钩子 (LoggerHook)
被用来收集 执行器 (Runner)
里面不同组件的日志信息然后写入终端, JSON 文件, tensorboard 和 wandb 等地方.
logger=dict(type='LoggerHook', interval=10)
在最新的 1.x 版本的 MMSegmentation 里面, 一些日志钩子 (LoggerHook) 例如 TextLoggerHook
, WandbLoggerHook
和 TensorboardLoggerHook
将不再被使用.
作为替代, MMEngine 使用 LogProcessor
来处理上述钩子处理的信息, 它们现在在 MessageHub
,
WandbVisBackend
和 TensorboardVisBackend
里面.
具体使用方法如下, 配置可视化器和同时指定可视化后端, 这里使用 Tensorboard 作为可视化器的后端:
# TensorboardVisBackend
visualizer = dict(
type='SegLocalVisualizer', vis_backends=[dict(type='TensorboardVisBackend')], name='visualizer')
关于更多相关用法, 可以参考 MMEngine 可视化后端用户教程.
自定义钩子 (custom hooks)
自定义钩子在配置通过 custom_hooks
定义, Runner
通过 register_custom_hooks
方法注册.
自定义钩子优先级需要在配置文件里设置, 如果没有设置, 则会被默认设置为 NORMAL
. 下面是部分 MMEngine 中实现的自定义钩子:
钩子 | 用法 |
---|---|
EMAHook | 在模型训练时使用指数滑动平均 (Exponential Moving Average, EMA). |
EmptyCacheHook | 在训练时释放所有没有被缓存占用的 GPU 显存. |
SyncBuffersHook | 在每个训练 Epoch 结束时同步模型 buffer 里的参数例如 BN 里的 running_mean 和 running_var . |
以下是 EMAHook
的用例, 配置文件中, 将已经实现的自定义钩子的配置作为 custom_hooks
列表中的成员.
custom_hooks = [
dict(type='EMAHook', start_iters=500, priority='NORMAL')
]
SegVisualizationHook¶
MMSegmentation 实现了 SegVisualizationHook
, 用来在验证和测试时可视化预测结果.
SegVisualizationHook
重写了基类 Hook
中的 _after_iter
方法, 在验证或测试时, 根据指定的迭代次数间隔调用 visualizer
的 add_datasample
方法绘制语义分割结果, 具体实现如下:
...
@HOOKS.register_module()
class SegVisualizationHook(Hook):
...
def _after_iter(self,
runner: Runner,
batch_idx: int,
data_batch: dict,
outputs: Sequence[SegDataSample],
mode: str = 'val') -> None:
...
# 如果是训练阶段或者 self.draw 为 False 则直接跳出
if self.draw is False or mode == 'train':
return
...
if self.every_n_inner_iters(batch_idx, self.interval):
for output in outputs:
img_path = output.img_path
img_bytes = self.file_client.get(img_path)
img = mmcv.imfrombytes(img_bytes, channel_order='rgb')
window_name = f'{mode}_{osp.basename(img_path)}'
self._visualizer.add_datasample(
window_name,
img,
data_sample=output,
show=self.show,
wait_time=self.wait_time,
step=runner.iter)
关于可视化更多的细节可以查看这里.
优化器¶
在上面配置运行设定里, 我们给出了配置训练优化器的简单示例. 本章节将进一步详细介绍在 MMSegmentation 里如何配置优化器.
优化器封装¶
OpenMMLab 2.0 设计了优化器封装, 它支持不同的训练策略, 包括混合精度训练、梯度累加和梯度截断等, 用户可以根据需求选择合适的训练策略. 优化器封装还定义了一套标准的参数更新流程, 用户可以基于这一套流程, 在同一套代码里, 实现不同训练策略的切换. 如果想了解更多, 可以参考 MMEngine 优化器封装文档.
以下是 MMSegmentation 中常用的使用方法:
配置 PyTorch 支持的优化器¶
OpenMMLab 2.0 支持 PyTorch 原生所有优化器, 参考这里.
在配置文件中设置训练时 Runner
所使用的优化器, 需要定义 optim_wrapper
, 而不是 optimizer
, 下面是一个配置训练中优化器的例子:
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005),
clip_grad=None)
配置梯度裁剪¶
当模型训练需要使用梯度裁剪的训练技巧式, 可以按照如下示例进行配置:
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0001)
optim_wrapper = dict(type='OptimWrapper', optimizer=optimizer,
clip_grad=dict(max_norm=0.01, norm_type=2))
这里 max_norm
指的是裁剪后梯度的最大值, norm_type
指的是裁剪梯度时使用的范数. 相关方法可参考 torch.nn.utils.clip_grad_norm_.
配置混合精度训练¶
当需要使用混合精度训练降低内存时, 可以使用 AmpOptimWrapper
, 具体配置如下:
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0001)
optim_wrapper = dict(type='AmpOptimWrapper', optimizer=optimizer)
AmpOptimWrapper
中 loss_scale
的默认设置是 dynamic
.
配置模型网络不同层的超参数¶
在模型训练中, 如果想在优化器里为不同参数分别设置优化策略, 例如设置不同的学习率、权重衰减等超参数, 可以通过设置配置文件里 optim_wrapper
中的 paramwise_cfg
来实现.
下面的配置文件以 ViT optim_wrapper
为例介绍 paramwise_cfg
参数使用.
训练时将 pos_embed
, mask_token
, norm
模块的 weight decay 参数的系数设置成 0.
即: 在训练时, 这些模块的 weight decay 将被变为 weight_decay * decay_mult
=0.
optimizer = dict(
type='AdamW', lr=0.00006, betas=(0.9, 0.999), weight_decay=0.01)
optim_wrapper = dict(
type='OptimWrapper',
optimizer=optimizer,
paramwise_cfg=dict(
custom_keys={
'pos_embed': dict(decay_mult=0.),
'cls_token': dict(decay_mult=0.),
'norm': dict(decay_mult=0.)
}))
其中 decay_mult
指的是对应参数的权重衰减的系数.
关于更多 paramwise_cfg
的使用可以在 MMEngine 优化器封装文档 里面查到.
优化器封装构造器¶
默认的优化器封装构造器 DefaultOptimWrapperConstructor
根据输入的 optim_wrapper
和 optim_wrapper
中定义的 paramwise_cfg
来构建训练中使用的优化器. 当 DefaultOptimWrapperConstructor
功能不能满足需求时, 可以自定义优化器封装构造器来实现超参数的配置.
MMSegmentation 中的实现了 LearningRateDecayOptimizerConstructor
, 可以对以 ConvNeXt, BEiT 和 MAE 为骨干网络的模型训练时, 骨干网络的模型参数的学习率按照定义的衰减比例(decay_rate
)逐层递减, 在配置文件中的配置如下:
optim_wrapper = dict(
_delete_=True,
type='AmpOptimWrapper',
optimizer=dict(
type='AdamW', lr=0.0001, betas=(0.9, 0.999), weight_decay=0.05),
paramwise_cfg={
'decay_rate': 0.9,
'decay_type': 'stage_wise',
'num_layers': 12
},
constructor='LearningRateDecayOptimizerConstructor',
loss_scale='dynamic')
_delete_=True
的作用是 OpenMMLab Config 中的忽略继承的配置, 在该代码片段中忽略继承的 optim_wrapper
配置, 更多 _delete_
字段的内容可以参考 MMEngine 文档.