mmcv

mmcv功能概览

• ​ 配置文件的可读性比原始的好，直接反映了配置和实现的关系。上图左中type表示此模型为RetinaNet，后续字典都是其属性。

• ​ 配置文件通过继承更清晰其中变动之处，不用每次去找不同之处了。

• ​ 不仅支持python格式的配置文件，也支持yaml等格式，但灵活性没那么好。

  

配置文件中的各种参数代表了RetinaHead在构造时对应的值。其中绿色虚线框对应**kwargs，这些属性并不是给RetinaHead使用的，而是给其父类的。我们在RetinaHead中会调用父类的方法，利用**kwargs将父类对应的属性初始化

RetinaHead仅仅只是RetinaNet中的一个字段，即传入的最外层传入一个type内层都是带type结构的子结构字典。我们只要保证在具体类的实现中，内部有去解析这些字典。对应图中RetinaNet 父类SingleStangeDetector中通过build_backbone在内部完成了对应属性的实例化

_base_申明一个配置文件列表，会将所有配置文件中定义的变量加载进来。其中model是对父类中内部字段进行修改而不是覆盖。

只有在其中加入_delete_属性才会覆盖父类中对应字段

配置文件通过一个列表来表示，但不能显示的知道配置文件中到底由哪些组件构成。vscode插件Config View可以解决这个问题

Config与Registry

从Config中取对应字段的配置信息还没有将其变成具体的实例只有解析功能，要通过Registry将对应实例构建出来。

根据type字段将cfg粗略分为两个类型。type类型：训练时该变量的实例化后类型，其余字段为该变量实例化所需的参数。Registry 会根据type 和其他参数将变量实例化。

mmcv训练最外层的抽象是runner，其有非常多的属性，如果在配置文件中写入runner，会导致嵌入很多层级的字典，阅读不便。所以在可读性和一一映射关系上做了取舍。对于dataloader和dataset为了防止文件嵌套层级过深，只将一些显而易见的属性写在最外层，不将这些暴露给用户 。

• 左侧的方式每次构建完模型后都要手动向model_factory中加入一个字段。

• 右侧是个Registry的最简形式。每个Registry实例都会有一个module_dict字典，利用一个装饰器实现将字符串与模型类的映射会自动添加到module_dict中，多一个模型只需多一行注册，便于维护。

• 注册功能的具体用法：一种是装饰器的写法，只要对应脚本被执行（本身在运行该脚本或者在运行其他脚本时import该脚本，触发任意一种就完成注册行为）

  一种是注册外部模块的写法，将其作为函数使用。

register_module方法中可以传参，意味着不仅可以注册自己写的模块还可以注册外部的模块。

正因为registry可以注册外部模块我们才能在配置文件中调用到这些模块。

以上注册代码都写在某个模块中 ，要注册这些模块必须要运行对应脚本。

测试代码的注册过程在脚本执行过程就完成了注册，训练中注册过程可通过import。

侵入式注册：这种链式的行为导致mmdet更新后可能会与本地分支产生冲突。非侵入式注册则的方式则不需要修改对应的算法库。

Config&Registry背后的故事ppt

视频讲解

MMCV的Hook

Hook

如果应用程序或者模块组件有固定的执行流程，且有扩展需求，可以通过钩子编程的方式来非侵入式的扩展功能。

以一个简单的神经网络为例：

import torch
from torch import nn

#以此段代码为例，如果我们需要输出的形状信息和模型参数信息等等，我们都可以在forward中打印相应信息。
#问题是如果我们想看各层中的信息，就要不断在forward中增加代码。破坏了单一原则（一个模块最好做一件事情）和开闭原则（新的需求对应新的模块而不是不断修改原来的代码）
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = nn.Linear(1 , 1)
        self.linear2 = nn.Linear(1 , 1)

    def forward(self, x):
        x = self.linear1(x)
        x = self.linear2(x)
        #新增需求
        print(f'Output_shape: {x.shape}')
        for name, params in self.named_parameters():
            print(f'{name}: {params}')
        for name, module in self.named_modules():
            print(f'{name}: {module}')        
        return x

model = Model()
result = model(torch.tensor([1.0]))
###############################################################################
# hook形式注册
import torch
from torch import nn

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = nn.Linear(1 , 1)
        self.linear2 = nn.Linear(1 , 1)
        
def print_params_hook(module, input, output):
    print(f'Output_shape: {output.shape}')
    for name, params in module.named_parameters():
        print(f'{name}: {params}')

def print_module_hook(module, input, output):
    for name, module in module.named_modules():
        print(f'{name}: {module}')

model = Model()
model.register_forward_hook(print_params_hook)
model.register_forward_hook(print_module_hook)
result = model(torch.tensor([1.0]))        

在调用nn.Module的forward_call方法前、后会调用注册好的hook方法。