MMCV组件4

MMCV核心组件Config

配置文件读取

配置类提供了统一的接口 Config.fromfile()，来读取和解析配置文件。

合法的配置文件应该定义一系列键值对，这里举几个不同格式配置文件的例子。

Python 格式：

1
2
3

test_int = 1
test_list = [1, 2, 3]
test_dict = dict(key1='value1', key2=0.1)

Json 格式：

{
  "test_int": 1,
  "test_list": [1, 2, 3],
  "test_dict": {"key1": "value1", "key2": 0.1}
}

YAML 格式：

test_int: 1
test_list: [1, 2, 3]
test_dict:
  key1: "value1"
  key2: 0.1

对于以上三种格式的文件，假设文件名分别为 config.py，config.json，config.yml，调用 Config.fromfile('config.xxx') 接口加载这三个文件都会得到相同的结果

from mmengine.config import Config

cfg = Config.fromfile('learn_read_config.py')
print(cfg)
>>>
Config (path: learn_read_config.py): {'test_int': 1, 'test_list': [1, 2, 3], 'test_dict': {'key1': 'value1', 'key2': 0.1}}

配置文件的使用

ConfigDict 是 MMCV 库中用于配置文件管理的一个类。它主要用于存储模型训练、测试等过程中的各种参数设置。ConfigDict 类在功能上类似于 Python 的内置字典类型 dict，但是它提供了属性的访问方式，以方便用户在配置文件中进行参数的定义、修改和访问

通过读取配置文件来初始化配置对象后，就可以像使用普通字典或者 Python 类一样来使用这个变量了。这里提供了字典访问和属性访问两种接口， cfg['key'] 或者 cfg.key。这两种接口都支持读写

ConfigDict 允许使用点来访问键值，就像访问对象的属性一样。例如可以通过 cfg.model 来访问
而普通的 dict 只能通过方括号 [] 来访问键值，如 cfg['model']

关于为什么能用属性的方法进行成员的访问，进入源码之后我们可以看到原因是使用了第三方库addict实现，这里就不展开看源码了

print(cfg.test_int)
print(cfg.test_list)
print(cfg.test_dict)
cfg.test_int = 2

print(cfg['test_int'])
print(cfg['test_list'])
print(cfg['test_dict'])
cfg['test_list'][1] = 3
print(cfg['test_list'])
>>>
1
[1, 2, 3]
{'key1': 'value1', 'key2': 0.1}
2
[1, 2, 3]
{'key1': 'value1', 'key2': 0.1}
[1, 3, 3]

在算法库中，可以将配置与注册器结合起来使用，达到通过配置文件来控制模块构造的目的。例如我们已经定义了一个优化器的注册器 OPTIMIZERS，包括了各种优化器。那么首先写一个 config_sgd.py：

1	`optimizer = dict(type='SGD', lr=0.1, momentum=0.9, weight_decay=0.0001)`

然后在算法库中可以通过如下代码构造优化器对象。

from mmengine import Config, optim
from mmengine.registry import OPTIMIZERS

import torch.nn as nn

cfg = Config.fromfile('config_sgd.py')

model = nn.Conv2d(1, 1, 1)
cfg.optimizer.params = model.parameters()
optimizer = OPTIMIZERS.build(cfg.optimizer)
print(optimizer)
>>>
SGD (
Parameter Group 0
    dampening: 0
    foreach: None
    lr: 0.1
    maximize: False
    momentum: 0.9
    nesterov: False
    weight_decay: 0.0001
)

配置文件的继承

有时候两个不同的配置文件之间的差异很小，可能仅仅只改了一个字段，我们就需要将所有内容复制粘贴一次，而且在后续观察的时候，不容易定位到具体差异的字段

继承机制概述

这里我们举一个例子来说明继承机制。定义如下两个配置文件，

optimizer_cfg.py：

1	`optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)`

resnet50.py：

1 2	`_base_ = ['optimizer_cfg.py'] model = dict(type='ResNet', depth=50)`

虽然我们在 resnet50.py 中没有定义 optimizer 字段，但由于我们写了 _base_ = ['optimizer_cfg.py']，会使这个配置文件获得 optimizer_cfg.py 中的所有字段。

cfg = Config.fromfile('resnet50.py')
print(cfg.optimizer)
>>>
{'type': 'SGD', 'lr': 0.02, 'momentum': 0.9, 'weight_decay': 0.0001}

_base_ 是配置文件的保留字段，指定了该配置文件的继承来源。支持继承多个文件，将同时获得这多个文件中的所有字段

runtime_cfg.py：

1	`gpu_ids = [0, 1]`

resnet50_runtime.py：

1 2	`_base_ = ['optimizer_cfg.py', 'runtime_cfg.py'] model = dict(type='ResNet', depth=50)`

这时，读取配置文件 resnet50_runtime.py 会获得 3 个字段 model，optimizer，gpu_ids。

cfg = Config.fromfile('resnet50_runtime.py')
print(cfg.optimizer)
>>>
{'optimizer': {'type': 'SGD', 'lr': 0.02, 'momentum': 0.9, 'weight_decay': 0.0001}, 'gpu_ids': [0, 1], 'model': {'type': 'ResNet', 'depth': 50}}

修改继承字段（在引用配置文件的地方修改配置）

有时候，我们继承一个配置文件之后，可能需要对其中个别字段进行修改，有两种修改方式，继承式修改和覆盖式修改：

继承式修改和覆盖式修改的区别在于dict函数第一个参数是否有_delete_=True，若没有则为继承式修改，只会修改指定的配置，反之则删光之前的所有配置，开始一个新的配置

例如需要改变_base_文件中optimizer的配置：

resnet50_lr0.01.py：

_base_ = ['optimizer_cfg.py', 'runtime_cfg.py']
model = dict(type='ResNet', depth=50)
# 继承式修改：
optimizer = dict(lr=0.01)
# 删除式修改：
optimizer = dict(_delete_=True, type='SGD', lr=0.01)

引用被继承文件中的变量（在配置文件内部修改配置）

有时我们想重复利用 _base_ 中定义的字段内容，就可以通过 {{_base_.xxxx}} 获取来获取对应变量的拷贝。例如：

1
2
3

refer_base_var.py
_base_ = ['resnet50.py']
a = {{_base_.model}}

解析后发现，a 的值变成了 resnet50.py 中定义的 model

cfg = Config.fromfile('refer_base_var.py')
print(cfg.a)
>>>
{'type': 'ResNet', 'depth': 50}

我们可以在 json、yaml、python 三种类型的配置文件中，使用这种方式来获取 _base_ 中定义的变量

尽管这种获取 _base_ 中定义变量的方式非常通用，但是在语法上存在一些限制，无法充分利用 python 类配置文件的动态特性。比如我们想在 python 类配置文件中，修改 _base_ 中定义的变量：

1
2
3

_base_ = ['resnet50.py']
a = {{_base_.model}}
a['type'] = 'MobileNet'

配置类是无法解析这样的配置文件的（解析时报错）。配置类提供了一种更 pythonic 的方式，让我们能够在 python 类配置文件中修改 _base_ 中定义的变量（python 类配置文件专属特性，目前不支持在 json、yaml 配置文件中修改 _base_ 中定义的变量）

modify_base_var.py：

_base_ = ['resnet50.py']
a = _base_.model
a.type = 'MobileNet'
# 这样即可修改成功

配置文件的导出

在启动训练脚本时，用户可能通过传参的方式来修改配置文件的部分字段，为此我们提供了 dump 接口来导出更改后的配置文件。与读取配置文件类似，用户可以通过 cfg.dump('config.xxx') 来选择导出文件的格式。dump 同样可以导出有继承关系的配置文件，导出的文件可以被独立使用，不再依赖于 _base_ 中定义的文件。

基于继承一节定义的 resnet50.py，我们将其加载后导出：

1 2	`cfg = Config.fromfile('resnet50.py') cfg.dump('resnet50_dump.py')`

1
2
3

resnet50_dump.py
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
model = dict(type='ResNet', depth=50)

类似的，我们可以导出 json、yaml 格式的配置文件

resnet50_dump.yaml
model:
  depth: 50
  type: ResNet
optimizer:
  lr: 0.02
  momentum: 0.9
  type: SGD
  weight_decay: 0.0001

高级用法：以后再说

mmcv组件5 上一篇

MMCV组件3 下一篇