【GiantPandaCV導語】這學期參加了一個比賽，有比較大的代碼量，在這個過程中暴露出來很多問題。由於實驗記錄很糟糕，導致結果非常混亂、無法進行有效分析，也沒能進行有效的回溯。趁比賽完結，打算重構一下代碼，順便參考一些大型項目的管理方法。本文將總結如何高效、標准化管理深度學習實驗。以下總結偏個人，可能不適宜所有項目，僅供參考。
1. 目前的管理方法
因為有很多需要嘗試的想法，但是又按照下圖這種時間格式來命名文件夾，保存權重。每次運行嘗試的方法只是記錄在本子上和有道雲筆記上。
筆記截圖：
總體來說，這種管理方法不是很理想。一個實驗運行的時間比較久，跨度很久，而之前調的參數、修改的核心代碼、想要驗證的想法都已經很模糊了，甚至有些時候可能看到一組實驗跑完了，忘記了這個實驗想要驗證什么。
這樣的實驗管理是低效的，筆者之前就了解到很多實驗管理的方法、庫的模塊化設計，但這些方法都沉寂在收藏夾中，無用武之地。趁着這次比賽結束，好好對代碼進行重構、完善實驗管理方法、總結經驗教訓。同時也參考了交流群里蔣神、雪神等大佬的建議，總結了以下方法。
2. 大型項目實例
先推薦一個模板，是L1aoXingyu@Github分享的模板項目，鏈接如下：
https://github.com/L1aoXingyu/Deep-Learning-Project-Template
如果長期維護一個深度學習項目，代碼的組織就比較重要了。如何設計一個簡單而可擴展的結構是非常重要的。這就需要用到軟件工程中的OOP設計
簡單介紹一下：
- 實驗配置的管理（實驗配置就是深度學習實驗中的各種參數）
- 使用yacs管理配置。
- 配置文件一般分默認配置（default）和新增配置（argparse）
- 模型的管理
- 使用工廠模式，根據傳入參數得到對應模型。
├── config
│ └── defaults.py - here's the default config file.
│
│
├── configs
│ └── train_mnist_softmax.yml - here's the specific config file for specific model or dataset.
│
│
├── data
│ └── datasets - here's the datasets folder that is responsible for all data handling.
│ └── transforms - here's the data preprocess folder that is responsible for all data augmentation.
│ └── build.py - here's the file to make dataloader.
│ └── collate_batch.py - here's the file that is responsible for merges a list of samples to form a mini-batch.
│
│
├── engine
│ ├── trainer.py - this file contains the train loops.
│ └── inference.py - this file contains the inference process.
│
│
├── layers - this folder contains any customed layers of your project.
│ └── conv_layer.py
│
│
├── modeling - this folder contains any model of your project.
│ └── example_model.py
│
│
├── solver - this folder contains optimizer of your project.
│ └── build.py
│ └── lr_scheduler.py
│
│
├── tools - here's the train/test model of your project.
│ └── train_net.py - here's an example of train model that is responsible for the whole pipeline.
│
│
└── utils
│ ├── logger.py
│ └── any_other_utils_you_need
│
│
└── tests - this foler contains unit test of your project.
├── test_data_sampler.py
另外推薦一個封裝的非常完善的庫，deep-person-reid, 鏈接：https://github.com/KaiyangZhou/deep-person-reid，這次總結中有一部分代碼參考自以上模型庫。
3. 熟悉工具
與上邊推薦的模板庫不同，個人覺得可以進行簡化處理，主要用到的python工具有：
- argparse
- yaml
- logging
前兩個用於管理配置，最后一個用於管理日志。
3.1 argparse
argparse是命令行解析工具，分為四個步驟：
-
import argparse
-
parser = argparse.ArgumentParser()
-
parser.add_argument()
-
parser.parse_args()
第2步創建了一個對象，第3步為這個對象添加參數。
parser.add_argument('--batch_size', type=int, default=2048,
help='batch size') # 8192
parser.add_argument('--save_dir', type=str,
help="save exp floder name", default="exp1_sandwich")
--batch_size將作為參數的key，它對應的value是通過解析命令行（或者默認）得到的。type可以選擇int,str。
parser.add_argument('--finetune', action='store_true',
help='finetune model with distill')
action可以指定參數處理方式，默認是“store”代表存儲的意思。如果使用"store_true", 表示他出現，那么對應參數為true，否則為false。
第4步，解析parser對象，得到的是可以通過參數訪問的對象。比如可以通過args.finetune 得到finetune的參數值。
3.2 yaml
yaml是可讀的數據序列化語言，常用於配置文件。
支持類型有：
- 標量（字符串、證書、浮點）
- 列表
- 關聯數組 字典
語法特點：
- 大小寫敏感
- 縮進表示層級關系
- 列表通過 "-" 表示，字典通過 ":"表示
- 注釋使用 "#"
安裝用命令：
pip install pyyaml
舉個例子：
name: tosan
age: 22
skill:
name1: coding
time: 2years
job:
- name2: JD
pay: 2k
- name3: HW
pay: 4k
注意：關鍵字不能重復；不能使用tab，必須使用空格。
處理的腳本：
import yaml
f = open("configs/test.yml", "r")
y = yaml.load(f)
print(y)
輸出結果：
YAMLLoadWarning: calling yaml.load() without Loader=... is deprecated, as the default Loader is unsafe. Please read https://msg.pyyaml.org/load for full details.
y = yaml.load(f)
{'name': 'tosan', 'age': 22, 'skill': {'name1': 'coding', 'time': '2years'}, 'job': [{'name2': 'JD', 'pay': '2k'}, {'name3': 'HW', 'pay': '4k'}]}
這個警告取消方法是：添加默認loader
import yaml
f = open("configs/test.yml", "r")
y = yaml.load(f, Loader=yaml.FullLoader)
print(y)
保存：
content_dict = {
'name':"ch",
}
f = open("./config.yml","w")
print(yaml.dump(content_dict, f))
支持的類型：
# 支持數字，整形、float
pi: 3.14
# 支持布爾變量
islist: true
isdict: false
# 支持None
cash: ~
# 時間日期采用ISO8601
time1: 2021-6-9 21:59:43.10-05:00
#強制轉化類型
int_to_str: !!str 123
bool_to_str: !!str true
# 支持list
- 1
- 2
- 3
# 復合list和dict
test2:
- name: xxx
attr1: sunny
attr2: rainy
attr3: cloudy
3.3 logging
日志對程序執行情況的排查非常重要，通過日志文件，可以快速定位出現的問題。本文將簡單介紹使用logging生成日志的方法。
logging模塊介紹
logging是python自帶的包，一共有五個level:
- debug: 查看程序運行的信息，調試過程中需要使用。
- info: 程序是否如預期執行的信息。
- warn: 警告信息，但不影響程序執行。
- error: 出現錯誤，影響程序執行。
- critical: 嚴重錯誤
logging用法
import logging
logging.basicConfig(format='%(asctime)s - %(message)s', datefmt='%d-%b-%y %H:%M:%S')
logging.info("program start")
format參數設置了時間，規定了輸出的格式。
import logging
#先聲明一個 Logger 對象
logger = logging.getLogger(__name__)
logger.setLevel(level=logging.INFO)
#然后指定其對應的 Handler 為 FileHandler 對象
handler = logging.FileHandler('Alibaba.log')
#然后 Handler 對象單獨指定了 Formatter 對象單獨配置輸出格式
formatter = logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')
handler.setFormatter(formatter)
logger.addHandler(handler)
Filehandler是用於將日志寫入到文件，如這里將所有日志輸出到Alibaba.log文件夾中。
3.4 補充argparse和yaml的配合
# process argparse & yaml
if not args.config:
opt = vars(args)
args = yaml.load(open(args.config), Loader=yaml.FullLoader)
opt.update(args)
args = opt
else: # yaml priority is higher than args
opt = yaml.load(open(args.config), Loader=yaml.FullLoader)
opt.update(vars(args))
args = argparse.Namespace(**opt)
4. 實驗管理
實驗的完整記錄需要以下幾方面內容：
- 日志文件：記錄運行全過程的日志。
- 權重文件：運行過程中保存的checkpoint。
- 可視化文件：tensorboard中運行得到的文件。
- 配置文件：詳細記錄當前運行的配置（調參必備）。
- 文件備份：用於保存當前版本的代碼，可以用於回滾。
那么按照以下方式進行組織：
exp
- 實驗名+日期
- runs: tensorboard保存的文件
- weights: 權重文件
- config.yml: 配置文件
- scripts: 核心文件備份
- train.py
- xxxxxxxx
代碼實現：
import logging
import argparse
import yaml
parser = argparse.ArgumentParser("ResNet20-cifar100")
parser.add_argument('--batch_size', type=int, default=2048,
help='batch size') # 8192
parser.add_argument('--learning_rate', type=float,
default=0.1, help='init learning rate') parser.add_argument('--config', help="configuration file",
type=str, default="configs/meta.yml")
parser.add_argument('--save_dir', type=str,
help="save exp floder name", default="exp1")
args = parser.parse_args()
# process argparse & yaml
if not args.config:
opt = vars(args)
args = yaml.load(open(args.config), Loader=yaml.FullLoader)
opt.update(args)
args = opt
else: # yaml priority is higher than args
opt = yaml.load(open(args.config), Loader=yaml.FullLoader)
opt.update(vars(args))
args = argparse.Namespace(**opt)
args.exp_name = args.save_dir + "_" + datetime.datetime.now().strftime("%mM_%dD_%HH") + "_" + \
"{:04d}".format(random.randint(0, 1000))
# 文件處理
if not os.path.exists(os.path.join("exp", args.exp_name)):
os.makedirs(os.path.join("exp", args.exp_name))
# 日志文件
log_format = "%(asctime)s %(message)s"
logging.basicConfig(stream=sys.stdout, level=logging.INFO,
format=log_format, datefmt="%m/%d %I:%M:%S %p")
fh = logging.FileHandler(os.path.join("exp", args.exp_name, 'log.txt'))
fh.setFormatter(logging.Formatter(log_format))
logging.getLogger().addHandler(fh)
logging.info(args)
# 配置文件
with open(os.path.join("exp", args.exp_name, "config.yml"), "w") as f:
yaml.dump(args, f)
# Tensorboard文件
writer = SummaryWriter("exp/%s/runs/%s-%05d" %
(args.exp_name, time.strftime("%m-%d", time.localtime()), random.randint(0, 100)))
# 文件備份
create_exp_dir(os.path.join("exp", args.exp_name),
scripts_to_save=glob.glob('*.py'))
def create_exp_dir(path, scripts_to_save=None):
if not os.path.exists(path):
os.mkdir(path)
print('Experiment dir : {}'.format(path))
if scripts_to_save is not None:
if not os.path.exists(os.path.join(path, 'scripts')):
os.mkdir(os.path.join(path, 'scripts'))
for script in scripts_to_save:
dst_file = os.path.join(path, 'scripts', os.path.basename(script))
shutil.copyfile(script, dst_file)
5. 結果
6. 參考文獻
https://github.com/L1aoXingyu/Deep-Learning-Project-Template
https://sungwookyoo.github.io/tips/ArgParser/
https://github.com/KaiyangZhou/deep-person-reid
https://www.cnblogs.com/pprp/p/10624655.html