技术标签: 学习
共三个函数
def parse_args():
用于解析命令行参数。它使用argparse
库来处理命令行参数,使您能够通过命令行在运行脚本时传递配置和选项。
以下是每个参数的解释:
--cfg
: 实验配置文件名。这是一个必需的参数,您需要提供一个配置文件来指定训练实验的各种设置。
opts
: 通过命令行修改配置选项。这允许您通过命令行添加额外的选项来修改配置文件中的设置。
--gpu
: 用于多进程训练的GPU ID。
--world-size
: 分布式训练中的节点数量。节点数量是指在分布式训练中参与训练的计算机节点的数量。每个节点都可以执行一部分训练工作,例如处理一部分的训练数据和更新模型的权重。节点数量越多,可以并行处理的工作量越大,从而加快整体的训练速度。
--dist-url
: 用于设置分布式训练的URL。
--rank
: 分布式训练中的节点排名。
args
: 包含所有解析后的命令行参数的对象。
def main():
1.解析命令行参数。它会从命令行中获取用户传递的参数和选项,并将其解析为一个名为 args
的对象。
args = parse_args() update_config(cfg, args) cfg.defrost() cfg.RANK = args.rank cfg.freeze()
2.输出日志信息
logger, final_output_dir, tb_log_dir = create_logger( cfg, args.cfg, 'train' ) logger.info(pprint.pformat(args)) logger.info(cfg)
3.解析GPU参数和分布式训练参数
if args.gpu is not None: warnings.warn('You have chosen a specific GPU. This will completely ' 'disable data parallelism.') if args.dist_url == "env://" and args.world_size == -1: args.world_size = int(os.environ["WORLD_SIZE"]) args.distributed = args.world_size > 1 or cfg.MULTIPROCESSING_DISTRIBUTED ngpus_per_node = torch.cuda.device_count() if cfg.MULTIPROCESSING_DISTRIBUTED: # Since we have ngpus_per_node processes per node, the total world_size # needs to be adjusted accordingly args.world_size = ngpus_per_node * args.world_size # Use torch.multiprocessing.spawn to launch distributed processes: the # main_worker process function mp.spawn( main_worker, nprocs=ngpus_per_node, args=(ngpus_per_node, args, final_output_dir, tb_log_dir) )
def main_worker( • gpu, ngpus_per_node, args, final_output_dir, tb_log_dir ):
当解释这段代码时,我们可以将它分成以下几个主要部分来讲解:
1. 环境设置和模型构建:
设置 cuDNN 相关配置,包括性能优化和确定性计算等。
根据配置中的模型名称,调用相应的函数构建模型。
初始化分布式训练环境,包括分布式训练节点数量、分布式训练的进程与 GPU 分配等。
cudnn.benchmark = cfg.CUDNN.BENCHMARK torch.backends.cudnn.deterministic = cfg.CUDNN.DETERMINISTIC torch.backends.cudnn.enabled = cfg.CUDNN.ENABLED
2. 模型并行和数据加载:
初始化模型,可能会使用 DistributedDataParallel
进行模型并行,或者是普通的 DataParallel
。
创建数据加载器,准备数据用于训练。
train_loader = make_dataloader( cfg, is_train=True, distributed=args.distributed )
3. 训练循环:
从 begin_epoch
到 cfg.TRAIN.END_EPOCH
进行循环,对每个 epoch 进行训练。
在每个 epoch 内,调用 do_train()
函数进行实际的训练,包括前向传播、反向传播、参数更新等。
do_train()后续细讲
for epoch in range(begin_epoch, cfg.TRAIN.END_EPOCH):
4. 学习率调整和模型保存:
根据学习率调整策略,更新优化器的学习率。
根据训练效果,保存模型的检查点,包括当前状态和最好的状态。
在训练过程中,在特定的训练轮次(epoch)结束后,调用学习率调度器(lr_scheduler
)的 step
方法来更新优化器的学习率。
lr_scheduler.step()
5. 最终模型保存:
将最终模型的状态保存到文件中。
torch.save(model.module.state_dict(), final_model_state_file)
在每个部分内,代码执行的操作和目的都会有所不同。这个函数的目标是将分布式训练的各个环节组织起来,从模型构建、数据加载、训练循环、学习率调整到模型保存,确保训练过程顺利进行。
配置文件:
INPUT_SIZE: 512
表示输入图像的大小。它指定了在训练或验证过程中,图像会被调整为 512x512 的尺寸。这个尺寸是模型接受的输入尺寸,用于训练和推断(预测)过程。在人体姿态估计任务中,输入图像的大小是一个重要的超参数。较大的输入图像尺寸可能会带来更多的细节信息,但同时也会增加计算开销。较小的输入图像尺寸可能会减少计算开销,但可能会丢失一些细节信息。
DATASET: INPUT_SIZE: 512
通道数是用来表示模型中不同层次的特征图(feature maps)的维度,它影响着模型的参数量、计算复杂度以及模型的性能。
MODEL: NUM_CHANNELS: - 32
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数