权重初始化⚓︎

在训练过程中，适当的初始化策略有利于加快训练速度或获得更⾼的性能。 MMCV 提供了一些常⽤的初始化模块的⽅法，如 nn.Conv2d。 MMdetection 中的模型初始化主要使⽤ init_cfg。⽤⼾可以通过以下两个步骤来初始化模型：

在 model_cfg 中为模型或其组件定义 init_cfg，但⼦组件的 init_cfg 优先级更⾼，会覆盖⽗模块的 init_cfg 。
像往常一样构建模型，然后显式调⽤ model.init_weights() ⽅法，此时模型参数将会被按照配置文件写法进行初始化。

MMdetection 初始化工作流的高层 API 调用流程是：

model_cfg(init_cfg) -> build_from_cfg -> model -> init_weight() -> initialize(self, self.init_cfg) -> children's init_weight()

描述⚓︎

它的数据类型是 dict 或者 list[dict]，包含了下列键值:

type (str)，包含 INTIALIZERS 中的初始化器名称，后面跟着初始化器的参数。
layer（str 或 list[str]），包含 Pytorch 或 MMCV 中基本层的名称，以及将被初始化的可学习参数，例如 'Conv2d'，'DeformConv2d'。
override (dict 或 list[dict])，包含不继承⾃ BaseModule 且其初始化配置与 layer 键中的其他层不同的⼦模块。 type 中定义的初始化器将适⽤于 layer 中定义的所有层，因此如果⼦模块不是 BaseModule 的派⽣类但可以与 layer 中的层相同的⽅式初始化，则不需要使⽤ override。override 包含了：
type 后跟初始化器的参数；
name 用以指⽰将被初始化的⼦模块。

初始化参数⚓︎

从 mmcv.runner.BaseModule 或 mmdet.models 继承一个新模型。这里我们用 FooModel 来举个例子。

import torch.nn as nn
from mmcv.runner import BaseModule

class FooModel(BaseModule)
    def __init__(self,
                 arg1,
                 arg2,
                 init_cfg=None):
        super(FooModel, self).__init__(init_cfg)
        ...

直接在代码中使⽤ init_cfg 初始化模型

import torch.nn as nn
from mmcv.runner import BaseModule
# or directly inherit mmdet models

class FooModel(BaseModule)
  def __init__(self,
                arg1,
                arg2,
                init_cfg=XXX):
          super(FooModel, self).__init__(init_cfg)
          ...

在 mmcv.Sequential 或 mmcv.ModuleList 代码中直接使⽤ init_cfg 初始化模型

from mmcv.runner import BaseModule, ModuleList

class FooModel(BaseModule)
  def __init__(self,
                  arg1,
                  arg2,
                  init_cfg=None):
          super(FooModel, self).__init__(init_cfg)
          ...
          self.conv1 = ModuleList(init_cfg=XXX)

使⽤配置⽂件中的 init_cfg 初始化模型

model = dict(
  ...
      model = dict(
          type='FooModel',
          arg1=XXX,
          arg2=XXX,
          init_cfg=XXX),
          ...

init_cfg 的使用⚓︎

用 layer 键初始化模型

如果我们只定义了 layer, 它只会在 layer 键中初始化网络层。

注意： layer 键对应的值是 Pytorch 的带有 weights 和 bias 属性的类名（因此不⽀持 MultiheadAttention 层）。

定义⽤于初始化具有相同配置的模块的 layer 键。

init_cfg = dict(type='Constant', layer=['Conv1d', 'Conv2d', 'Linear'], val=1)
# ⽤相同的配置初始化整个模块

定义⽤于初始化具有不同配置的层的 layer 键。

init_cfg = [dict(type='Constant', layer='Conv1d', val=1),
            dict(type='Constant', layer='Conv2d', val=2),
            dict(type='Constant', layer='Linear', val=3)]
# nn.Conv1d 将被初始化为 dict(type='Constant', val=1)
# nn.Conv2d 将被初始化为 dict(type='Constant', val=2)
# nn.Linear 将被初始化为 dict(type='Constant', val=3)

使⽤ override 键初始化模型
当使⽤属性名初始化某些特定部分时，我们可以使⽤ override 键， override 中的值将忽略 init_cfg 中的值。

# layers：
# self.feat = nn.Conv1d(3, 1, 3)
# self.reg = nn.Conv2d(3, 3, 3)
# self.cls = nn.Linear(1,2)

init_cfg = dict(type='Constant',
                layer=['Conv1d','Conv2d'], val=1, bias=2,
                override=dict(type='Constant', name='reg', val=3, bias=4))
# self.feat and self.cls 将被初始化为 dict(type='Constant', val=1, bias=2)
# 叫 'reg' 的模块将被初始化为 dict(type='Constant', val=3, bias=4)

如果 init_cfg 中的 layer 为 None，则只会初始化 override 中有 name 的⼦模块，⽽ override 中的 type 和其他参数可以省略。

# layers：
# self.feat = nn.Conv1d(3, 1, 3)
# self.reg = nn.Conv2d(3, 3, 3)
# self.cls = nn.Linear(1,2)

init_cfg = dict(type='Constant', val=1, bias=2,   override=dict(name='reg'))

# self.feat and self.cls 将被 Pytorch 初始化
# 叫 'reg' 的模块将被 dict(type='Constant', val=1, bias=2) 初始化

如果我们不定义 layer 或 override 键，它不会初始化任何东西。
无效的使用

# override 没有 name 键的话是无效的
init_cfg = dict(type='Constant', layer=['Conv1d','Conv2d'], val=1, bias=2,
              override=dict(type='Constant', val=3, bias=4))

# override 有 name 键和其他参数但是没有 type 键也是无效的
init_cfg = dict(type='Constant', layer=['Conv1d','Conv2d'], val=1, bias=2,
                override=dict(name='reg', val=3, bias=4))

使⽤预训练模型初始化模型

init_cfg = dict(type='Pretrained',
             checkpoint='torchvision://resnet50')

更多细节可以参考 MMEngine 的文档

最后更新: November 27, 2023
创建日期: November 27, 2023