编写`.yaml`配置文件

本节相关代码：

core/config/config.py
config/*

LibContinual中配置文件的组成

LibContinual的配置文件采用了yaml格式的文件，同时也支持从命令行中读取一些全局配置的更改。我们预先定义了一个默认的配置core/config/default.yaml。用户可以将自定义的配置放在config/目录下，保存为yaml格式的文件。配置定义在解析时的优先级顺序是default.yaml->config/->console。后一个定义会覆盖前一个定义中名称相同的值。

尽管default.yaml中设置的是持续学习中的一些最基础的配置，无法仅依靠default.yaml直接运行程序。运行代码前，用户需要在config/目录下定义已经在LibContinual中实现了的方法的配置。

考虑到持续方法有一些基本参数例如image_sie， epoch或者device id，这样的参数是经常需要改动的。LibContinual支持在命令行中对一些简单的配置进行更改而不需要修改yaml文件。同样的，在训练和测试过程中，很多不同的持续学习方法的参数是相同的。为了简洁起见，我们将这些相同的参数包装到了一起，放到了config/headers目录下，这样就能够通过导入的方式简洁地编写自定义方法的yaml文件。

以下是config/headers目录下文件的构成。

data.yaml：定义了训练所使用的数据的相关配置。
device.yaml：定义了训练所使用的GPU的相关配置。
model.yaml：定义了模型训练的相关配置。
optimizer.yaml：定义了训练所使用的优化器的相关配置。

LibContinual中配置文件的设置

以下详细介绍配置文件中每部分代表的信息以及如何编写，以下将以bic方法的配置给出示例。

数据设置

data_root：数据集存放的路径。
image_size：输入图像的尺寸。
pin_momery：是否使用内存加速读取。
augment：是否使用数据增强。
init_cls_num: 初始类别数量。
inc_cls_num: 增量类别数量。
task_num: 任务数量。

works：数据加载和预处理的工作线程数量。

data_root: /data/cifar100
image_size: 84
pin_memory: False
augment: True
init_cls_num: 20
inc_cls_num: 20
task_num: 5
works: 8

模型设置

backbone：方法所使用的backbone信息。
- name：使用的backbone的名称，需要与LibContinual中实现的backbone的大小写一致。
- kwargs：backbone初始化时用到的参数，必须保持名称与代码中的名称一致。
  - num_classes：类别数量。
  - args：其他项参数，例如所使用的数据集dataset。
```
backbone:
    name: resnet18
    kwargs:
        num_classes: 100
          args: 
              dataset: cifar100
```
classifier：方法所使用的方法信息。
- name：使用的方法的名称，需要与LibContinual中实现的方法的名称一致。
kwargs：方法初始化时用到的参数，必须保持名称与代码中的名称一致。
- feat_dim：维度设定。
```
classifier:
    name: bic
    kwargs:
        feat_dim: 512
```

训练设置

epoch：训练的epoch数。
test_epoch: 测试的epoch数。
val_per_epoch: 验证阶段的每一次的epoch数。
stage2_epoch: 策略2的epoch数。

batch_size: 训练的批次尺寸。

epoch: 50
test_epoch: 5
val_per_epoch: 5
stage2_epoch: 100
batch_size: 128

优化器设置

optimizer：训练阶段使用的优化器信息。
- name：优化器名称，当前仅支持Pytorch提供的所有优化器。
- kwargs：传入优化器的参数，名称需要与Pytorch优化器所需要的参数名称相同。
- other：当前仅支持单独指定方法中的每一部分所使用的学习率，名称需要与方法中所使用的变量名相同。
```
optimizer:
    name: SGD
    kwargs:
        lr: 0.01
        weight_decay: 2e-4
        momentum: 0.9
```
lr_scheduler：训练时使用的学习率调整策略，当前仅支持Pytorch提供的所有学习率调整策略。
- name：学习率调整策略名称。
- kwargs：其他Pytorch学习率调整策略所需要的参数。
```
lr_scheduler:
  name: MultiStepLR
  kwargs:
    gamma: 0.1
    milestones: [25, 50]
```

硬件设置

device_ids：训练可以用到的gpu的编号，与nvidia-smi命令显示的编号相同。
n_gpu：训练使用并行训练的gpu个数，如果仅有1个GPU的话，则不适用并行训练。
seed：训练时numpy，torch，cuda使用的种子点。
deterministic：是否开启torch.backend.cudnn.benchmark以及torch.backend.cudnn.deterministic以及是否使训练随机种子确定。
```
device_ids: 0,1,2,3,4,5,6,7
n_gpu: 4
seed: 1993
deterministic: False
```

编写.yaml配置文件