| 配置文件的路径如下： | |
| ```` | |
| config/* | |
| ```` | |
| ### LibContinual配置文件构成 | |
| LibContinual配置文件使用`yaml`文件格式。我们预定义的配置文件位于`core/config/default.yaml`，用户可以将自定义的配置项放入`config/`目录下，并且保存为`.yaml`格式。 | |
| 虽然大多数配置已经在`default.yaml`提前编写好了，但是您不能直接使用`default.yaml`配置来运行框架，需要预先定义所运行方法对应的配置文件。可以参考下面的参数说明编写你自己的配置文件。 | |
| 在`config/headers`文件夹中，包含了以下文件： | |
| - `data.yaml`：数据相关的配置定义在此文件中 | |
| - `device.yaml`：与GPU相关的配置项定义在此文件中 | |
| - `model.yaml`：与模型相关的配置定义此文件中 | |
| - `optimizer.yaml`：与优化器相关的配置定义在此文件中 | |
| ### LibContinual配置文件的设置 | |
| #### 数据设置 | |
| - `data_root`：数据集的存储路径 | |
| - `image_size`：输入图片的大小 | |
| - `pin_momery`：是否使用内存来加速读取 | |
| - `workers`：并行读取数据进程的数量 | |
| ```yaml | |
| data_root: /data/cifar10/ | |
| image_size: 32 | |
| ``` | |
| #### 模型设置 | |
| `backbone`：该方法中使用的骨干网络信息 | |
| - `name`: 骨干网络的名称，需要与LibContinual框架中的实现所对应 | |
| - `kwargs`：骨干网络所需要的参数，需要与代码中的命名一致 | |
| - `num_classes`：模型需要的分类总数 | |
| - `args`：需要的其他参数 | |
| - `dataset`：所使用的数据集，不同数据集的骨干网络实现细节有所不同 | |
| ```yaml | |
| backbone: | |
| name: resnet18 | |
| kwargs: | |
| num_classes: 10 | |
| args: | |
| dataset: cifar10 | |
| ``` | |
| `classifier`：方法中使用的分类器信息 | |
| - `name`：分类器的名称，需要与LibContinual中的方法实现保持一致 | |
| - `kwargs`：分类器的初始化参数，需要与代码实现的名称保持一致 | |
| ```yaml | |
| classifier: | |
| name: PASS | |
| kwargs: | |
| num_class: 100 | |
| feat_dim: 512 | |
| # 下面是方法相关的超参数 | |
| feat_KD: 10.0 | |
| proto_aug: 10.0 | |
| temp : 0.1 | |
| ``` | |
| #### 训练设置 | |
| - `init_cls_num`：第一个任务的训练类别数 | |
| - `inc_cls_num`：随后增量任务的训练类别数 | |
| - `task_num`：任务总数 | |
| - `init_epoch`：第一个任务上的训练轮数 | |
| - `epoch`：增量任务上的训练轮数 | |
| - `val_per_epoch`：每过多少轮训练在测试集上测试性能 | |
| - `batch_size`：训练时的批次大小 | |
| - `warm_up`：训练之前的预热轮次 | |
| ```yaml | |
| warmup: 0 | |
| init_cls_num: 50 | |
| inc_cls_num: 10 | |
| task_num: 6 | |
| batch_size: 64 | |
| init_epoch: 100 | |
| epoch: 100 | |
| val_per_epoch: 10 | |
| ``` | |
| #### 优化器设置 | |
| - `optimizer`：训练中使用的优化器信息 | |
| - `name`：优化器的名称，只支持`Pytorch`内置的优化器 | |
| - `kwargs`：该优化器使用的参数，参数名称需要与Pytorch中优化器参数的参数名称相同，例如 | |
| - `lr`：优化器学习率 | |
| - `weight_decay`：权重衰减 | |
| ```yaml | |
| optimizer: | |
| name: Adam | |
| kwargs: | |
| lr: 0.001 | |
| weight_decay: 0.0002 | |
| ``` | |
| `lr_scheduler`：训练中使用的学习率调整策略，只支持`Pytorch`内置的优化器调整策略 | |
| - `name`：学习率调整策略的名称 | |
| - `kwargs`：学习率调整策略的参数，注意不同的学习率调整策略会有不同的参数 | |
| ```yaml | |
| lr_scheduler: | |
| name: StepLR | |
| kwargs: | |
| step_size: 45 | |
| gamma: 0.1 | |
| ``` | |
| #### 硬件设置 | |
| - `device_ids`：所使用的GPU编号 | |
| - `n_gpu`：训练中使用的并行GPU数量, 如果是`1`, 表示不使用并行训练 | |
| - `deterministic`：是否开启 `torch.backend.cudnn.benchmark` 和 `torch.backend.cudnn.deterministic` | |
| - `seed`：在 `numpy`，`torch`和 `cuda`中使用的随机种子 | |
| ```yaml | |
| device_ids: 3 | |
| n_gpu: 1 | |
| seed: 0 | |
| deterministic: False | |
| ``` | |