Hi-FT/ERD项目运行时配置深度定制指南
2025-06-19 22:29:56作者:邬祺芯Juliet
前言
在深度学习模型训练过程中,合理的运行时配置对模型性能有着至关重要的影响。本文将全面介绍如何在Hi-FT/ERD项目中定制化训练过程的各个关键环节,包括优化器配置、训练调度策略、训练循环以及钩子机制等。
优化器配置详解
基础优化器配置
Hi-FT/ERD项目采用optim_wrapper
统一管理优化相关配置,包含三个核心部分:
- 优化器(optimizer):定义基础优化算法
- 参数级配置(paramwise_cfg):支持对不同参数组设置差异化策略
- 梯度裁剪(clip_grad):防止梯度爆炸的稳定措施
# 典型配置示例
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(
type='AdamW', # 使用AdamW优化器
lr=0.0001, # 基础学习率
weight_decay=0.05,
eps=1e-8,
betas=(0.9, 0.999)),
# 参数级学习率和权重衰减设置
paramwise_cfg=dict(
custom_keys={
'backbone': dict(lr_mult=0.1), # 骨干网络学习率降为1/10
},
norm_decay_mult=0.0), # 归一化层权重衰减系数
# 梯度裁剪配置
clip_grad=dict(max_norm=0.01, norm_type=2))
使用PyTorch内置优化器
项目支持所有PyTorch原生优化器,只需简单修改配置即可切换:
# 使用ADAM优化器示例
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(type='Adam', lr=0.0003, weight_decay=0.0001))
自定义优化器实现
1. 实现新优化器类
在项目中创建新的优化器需要以下步骤:
from mmdet.registry import OPTIMIZERS
from torch.optim import Optimizer
@OPTIMIZERS.register_module()
class MyOptimizer(Optimizer):
"""自定义优化器实现示例"""
def __init__(self, params, a, b, c, **kwargs):
# 实现初始化逻辑
super().__init__(params, defaults)
def step(self, closure=None):
# 实现参数更新逻辑
2. 注册优化器
有两种方式使系统识别新优化器:
- 修改__init__.py:在对应目录的
__init__.py
中导入新类 - 配置导入:通过
custom_imports
动态导入
# 方法二:配置动态导入
custom_imports = dict(
imports=['mmdet.engine.optimizers.my_optimizer'],
allow_failed_imports=False)
3. 配置使用
optim_wrapper = dict(
type='OptimWrapper',
optimizer=dict(type='MyOptimizer', a=1.0, b=0.5, c=0.1))
优化器包装器定制
对于需要精细控制参数优化策略的场景,可以自定义优化器包装器:
from mmengine.optim import DefaultOptimWrapperConstructor
from mmdet.registry import OPTIM_WRAPPER_CONSTRUCTORS
@OPTIM_WRAPPER_CONSTRUCTORS.register_module()
class MyOptimizerWrapperConstructor(DefaultOptimWrapperConstructor):
"""自定义优化器包装器示例"""
def __call__(self, model):
# 实现参数分组逻辑
return optim_wrapper
高级优化技巧
梯度裁剪
optim_wrapper = dict(
_delete_=True, # 覆盖基础配置
clip_grad=dict(max_norm=35, norm_type=2))
动量调度
配合学习率调度器使用可加速收敛:
param_scheduler = [
# 学习率调度
dict(type='CosineAnnealingLR', T_max=8, eta_min=lr*10),
# 动量调度
dict(type='CosineAnnealingMomentum', T_max=8, eta_min=0.85)
]
训练调度策略定制
常用学习率策略
多项式衰减策略
param_scheduler = [
dict(type='PolyLR', power=0.9, eta_min=1e-4, begin=0, end=8)
]
余弦退火策略
param_scheduler = [
dict(type='CosineAnnealingLR', T_max=8, eta_min=lr*1e-5)
]
训练循环定制
基于轮次的训练循环
train_cfg = dict(
type='EpochBasedTrainLoop',
max_epochs=12,
val_begin=1, # 从第1轮开始验证
val_interval=1) # 每轮验证一次
基于迭代的动态训练循环
train_cfg = dict(
type='IterBasedTrainLoop',
max_iters=368750,
val_interval=5000,
dynamic_intervals=[(365001, 368750)]) # 后期调整验证间隔
钩子机制深度定制
自定义钩子实现
1. 创建新钩子
from mmengine.hooks import Hook
from mmdet.registry import HOOKS
@HOOKS.register_module()
class MyHook(Hook):
"""自定义训练钩子示例"""
def before_train_epoch(self, runner):
# 训练周期开始前执行
pass
def after_train_iter(self, runner, batch_idx, data_batch, outputs):
# 训练迭代结束后执行
pass
2. 注册与使用
custom_hooks = [
dict(type='MyHook', a=1.0, b=2.0, priority='NORMAL')
]
内置钩子配置
检查点钩子
default_hooks = dict(
checkpoint=dict(
type='CheckpointHook',
interval=1, # 保存间隔(epoch)
max_keep_ckpts=3, # 最大保留检查点数
save_optimizer=True)) # 是否保存优化器状态
日志钩子
default_hooks = dict(
logger=dict(type='LoggerHook', interval=50)) # 每50次迭代记录一次
可视化钩子
vis_backends = [
dict(type='LocalVisBackend'), # 本地可视化
dict(type='TensorboardVisBackend') # TensorBoard支持
]
visualizer = dict(
type='DetLocalVisualizer',
vis_backends=vis_backends,
name='visualizer')
结语
通过本文介绍的各种定制方法,研究人员可以灵活调整Hi-FT/ERD项目的训练过程,实现从基础参数配置到深度定制化的全方位控制。建议根据具体任务需求,先从基础配置开始,逐步尝试高级定制功能,以获得最佳模型性能。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8