Skip to content

Latest commit

 

History

History
186 lines (129 loc) · 5.9 KB

cvlibs_cn.md

File metadata and controls

186 lines (129 loc) · 5.9 KB
Raw

简体中文 | English

paddleseg.cvlibs

ComponentManager

class paddleseg.cvlibs.manager.ComponentManager(name)

实现一个manager类，以正确地向模型添加新组件。 组件以类或函数的类型被添加。

参数

  • name (str): 组件名。

示例 1

from paddleseg.cvlibs.manager import ComponentManager

model_manager = ComponentManager()

class AlexNet: ...
class ResNet: ...

model_manager.add_component(AlexNet)
model_manager.add_component(ResNet)

# 或传入一个可迭代的序列
model_manager.add_component([AlexNet, ResNet])
print(model_manager.components_dict)
# {'AlexNet': <class '__main__.AlexNet'>, 'ResNet': <class '__main__.ResNet'>}

示例 2:

# 或者用一种更简单的方法，将它作为 Python 装饰器，同时将它添加到类声明之上。
from paddleseg.cvlibs.manager import ComponentManager

model_manager = ComponentManager()

@model_manager.add_component
class AlexNet: ...

@model_manager.add_component
class ResNet: ...

print(model_manager.components_dict)
# {'AlexNet': <class '__main__.AlexNet'>, 'ResNet': <class '__main__.ResNet'>}
add_component(components)

向相关manager添加组件（≥1个）

参数

  • components (function|class|list|tuple): 支持四种类型的组件。

返回值

  • components (function|class|list|tuple): 与输入组件相同。

constant_init

constant_init(param, **kwargs):

用常量初始化 param

参数

  • param (Tensor): 需要被初始化的张量。

示例

from paddleseg.cvlibs import param_init
import paddle.nn as nn

linear = nn.Linear(2, 4)
param_init.constant_init(linear.weight, value=2.0)
print(linear.weight.numpy())
# 结果为[[2. 2. 2. 2.], [2. 2. 2. 2.]]

normal_init

normal_init(param, **kwargs)

用正态分布初始化 param

参数

  • param (Tensor): Tensor that needs to be initialized.

示例

from paddleseg.cvlibs import param_init
import paddle.nn as nn

linear = nn.Linear(2, 4)
param_init.normal_init(linear.weight, loc=0.0, scale=1.0)

kaiming_normal_init

kaiming_normal_init(param, **kwargs):

用Kaiming Normal initialization对输入张量进行初始化。

本函数是对论文Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification <https://arxiv.org/abs/1502.01852>中对param 的初始化方法的实现。该论文作者为Kaiming He, Xiangyu Zhang, Shaoqing Ren 和Jian Sun。

由于其特别考虑到整流器的非线性特征，这是一种具有鲁棒性的初始化方法。

在均匀分布的情况下，范围是 [-x, x]，其中

在正态分布的情况下，均值为 0，标准差为

参数

  • param (Tensor): 需要被初始化的张量。

示例

from paddleseg.cvlibs import param_init
import paddle.nn as nn

linear = nn.Linear(2, 4)
# uniform 用于决定是使用均匀分布还是正态分布
param_init.kaiming_normal_init(linear.weight)

Config

class Config(
    path,
    learning_rate,
    batch_size,
    iters
)

  • 对训练配置文件的解析。仅支持 yaml/yml 类型的配置文件。

  • 可在配置文件中配置以下超参数：

batch_size: 对于每个GPU，指定其每轮训练要处理样本的个数。

iters: 总训练轮数。

train_dataset: 对一个训练数据集的配置包括设置 type/data_root/transforms/mode。对于数据类型，请参考paddleseg.datasets。对于特殊变换，请参考paddleseg.transforms.transforms。

val_dataset: 对一个验证数据集的配置包括设置 type/data_root/transforms/mode。

optimizer: 配置一个优化器。但现在PaddleSeg仅支持在配置文件中设置带momentum的sgd。此外，weight_decay （权重衰减）可以设置为正则化。

learning_rate: 一个学习率配置。如果配置了学习率，learning _rate 值将作为初始学习率，其中使用配置文件仅支持poly衰减。 此外，衰减率和 end_lr 是通过实验调整的。

loss: 一个损失函数的配置。可以混合使用多种损失函数。损失函数类型的顺序应与seg模型的输出保持一致，其中 coef 项表示相应损失的权重。 注意，coef 的个数必须和模型输出的个数相同，如果输出中使用相同的 loss 类型，则在 type 列表中只能出现一种 loss 类型，否则 loss 类型的个数必须与 coef 一致。

model: 对一个model的配置信息应包含 模型类别/骨干网络 以及超参数。对于模型类别，请参考paddleseg.models。对于骨干网络，请参考paddleseg.models.backbones。

参数

  • path (str) : 配置文件的路径, 仅支持 yaml 格式。

示例

from paddleseg.cvlibs.config import Config

# 使用 yaml 文件路径创建一个 cfg 对象。
cfg = Config(yaml_cfg_path)

# 在使用该对象的属性时，解析参数。（比如使用 train_dataset 属性）
train_dataset = cfg.train_dataset

#模型的参数应该在数据集之后解析，因为模型的构建器要使用数据集中的一些属性。
model = cfg.model
...