base_strategy
最后更新
luxonis_train.strategies.base_strategy所有训练策略都继承的基类。类
BaseTrainingStrategy
STRATEGIES 注册表中,因此 trainer.training_strategy.name 可以命名它。resolve_training_plan 在每个节点的 finetuning 条目之后和默认规则之前评估策略规则。因此,节点条目优先于策略规则,并且策略未声明的每个参数仍然会获得一个优化器。示例
使用策略的配置的
trainer 部分:Yaml
1trainer:
2 training_strategy:
3 name: TripleLRSGDStrategy
4 params:
5 lr: 0.02
6 warmup_epochs: 3方法
init
Python
1def __init__(pl_module: lxt.LuxonisLightningModule, **kwargs):trainer.training_strategy.params 的条目作为关键字参数调用构造函数。参数pl_module(lxt.LuxonisLightningModule): 要训练的模块。**kwargs: 配置中策略的参数。
attach
Python
1def attach(runtime: TrainingPlanRuntime, handles: Mapping[str, tuple[GroupHandle, ...]]):runtime 和 group_handles 属性。覆盖必须保留它们,或调用此方法。句柄包含索引,因此在检查点加载后仍然有效。参数runtime(TrainingPlanRuntime): 计划的优化器和调度器。runtime.group(handle)返回一个组。handles(Mapping[str, tuple[GroupHandle, ...]]): 每个规则的组句柄,以规则标签为键。没有声明参数的规则没有条目。
get_base_configs
Python
1def get_base_configs(self) -> tuple[OptimizerConfig, SchedulerConfig]:trainer.optimizer 和 trainer.scheduler。节点的 finetuning 条目将其覆盖合并到其中,并且默认规则使用它们。实现可以引发 NotImplementedError。resolve_training_plan 然后使用 trainer.optimizer 和 trainer.scheduler。返回tuple[OptimizerConfig, SchedulerConfig]: 基本优化器配置和基本调度器配置。
opaque_inners
Python
1def opaque_inners(self) -> list[tuple[Optimizer, Any]]:list[tuple[Optimizer, Any]]: 优化器及其调度器的对。调度器可以是调度器、Lightning 调度器配置字典或None。
opaque_parameter_ids
Python
1def opaque_parameter_ids(self) -> set[int]:set[int]: 每个声明参数的id()。
rules
Python
1def rules(self) -> list[StrategyRule]:list[StrategyRule]: 规则。没有调度器的规则使用 get_base_configs 的调度器。
update_parameters
Python
1def update_parameters(self):