请教一些写代码方面的问题
Closed this issue · 3 comments
黎同学你好，我在b站上看你你在AI Drive上分享你们工作的视频，从你讲述的过程中能感觉到你是个非常有趣且热心的人，因此在这里想请教一下和文章相关度没那么高的一些问题。
我阅读了仓库中video_classification下的代码，发现代码的核心部分应该是uniformer.py下的网络设计；但除此之外，训练部分的主要结构应该是借鉴了slowfast(应该是这样吧)，与代码的核心部分相比，这些额外的训练结构部分占据了代码总体的极大比重，这让我非常头痛，因为我对于这部分的学习有些无从下手，当然这和我编程能力比较差有很大的关系。关于torch的编程部分的水平，基本都是在网上看一些简单的视频教程，之后自己能写一些简单的网络。 所以我想请问，在你的学习过程中，是如何掌握这种复杂的训练结构与框架的？希望不吝赐教。
感谢提问！即便我是软件工程专业出身的，在读起代码来确实也比较费劲，更何况SlowFast的框架本身也比较晦涩，我也经历了很长一段时间的理解，希望你也可以耐心一些。无论开展任何的topic，我的建议有以下几点：
(1) 第一步是选择follow、star多的框架，比如MetaAI发布的SlowFast等框架，OpenMMLab的一系列框架，越多人提issue，说明你遇到的问题越容易被解决。
(2) 第二部是理解的步骤，现在开源的模型，基本都有相应的参数config文件、模型文件、数据集文件、辅助的utils文件，以及最关键的训练与推理主程序：
- 先读config文件，比如slowfast里在config，先通过注释和论文，整体理解每个config的含义
- 其次是读训练与推理文件，分别在train和test。读的时候当然会遇到很多不清楚的，可以先通过函数名整体把握作用，不需要进入函数内部理解。完成这一步你基本知道了整个训练的流程，从数据集的构建，到模型的构建，再到具体的训练与推理。
- 再者是数据集文件，这是每个任务最核心的部分，比如Kinetics。读的时候，只需要整体把握，最后的输出是如何从原始label文件中处理得来的，比如视频任务里，视频的帧是如何采样的，不需要了解太多数据增强的细节，过分追究这些细节非常头疼。这些细节可以到你后期对任务比较熟悉时，再深入理解。
- 最后是一些辅助文件，比如一些Meter、Metric、lr_policy等等，这些可以帮助你了解训练过程中的一些具体细节以及评测标准。
(3) 对于第二步，可以在中间记录一些笔记，有利于自己整体把握。我记得我当时也写了个SlowFast的源码阅读，不过经过这么几年，已经发生了很大变化......
(4) 对于其他的大部分文件，比如多进程的启动等等，这些所有codebase通用的代码不需要太清楚，遇到问题的时候再翻issue看看就好。
最后的建议是，一定要细心耐心一些，多向人请教，社区的很多人都是欢迎提问的！
@Andy1621 感谢回复，我会尝试按照你提供的建议去做一做，我在之前读代码是也发现了保持耐心和细心是极其重要的，感谢回复。后续如果有问题可能还会再来向你请教。再次对你的热心帮助表示感谢。
加油，随时提问