迁移 MMCV 参数调度器到 MMEngine¶

MMCV 1.x 版本使用 LrUpdaterHook 和 MomentumUpdaterHook 来调整学习率和动量。但随着深度学习算法训练方式的不断发展，使用 Hook 修改学习率已经难以满足更加丰富的自定义需求，因此 MMEngine 提供了参数调度器（ParamScheduler）。一方面，参数调度器的接口与 PyTroch 的学习率调度器（LRScheduler）对齐，另一方面，参数调度器提供了更丰富的功能，详细请参考参数调度器使用指南。

学习率调度器（LrUpdater）迁移¶

MMEngine 中使用 LRScheduler 替代 LrUpdaterHook，配置文件中的字段从原本的 lr_config 修改为 param_scheduler。 MMCV 中的学习率配置与 MMEngine 中的参数调度器配置对应关系如下：

学习率预热（Warmup）迁移¶

由于 MMEngine 中的学习率调度器在实现时增加了 begin 和 end 参数，指定了调度器的生效区间，所以可以通过调度器组合的方式实现学习率预热。MMCV 中有 3 种学习率预热方式，分别是 'constant', 'linear', 'exp'，在 MMEngine 中对应的配置应修改为:

常数预热(constant)¶

MMCV-1.x

MMEngine

lr_config = dict(
    warmup='constant',
    warmup_ratio=0.1,
    warmup_iters=500,
    warmup_by_epoch=False
)

param_scheduler = [
    dict(type='ConstantLR',
         factor=0.1,
         begin=0,
         end=500,
         by_epoch=False),
    dict(...) # 主学习率调度器配置
]

线性预热(linear)¶

MMCV-1.x

MMEngine

lr_config = dict(
    warmup='linear',
    warmup_ratio=0.1,
    warmup_iters=500,
    warmup_by_epoch=False
)

param_scheduler = [
    dict(type='LinearLR',
         start_factor=0.1,
         begin=0,
         end=500,
         by_epoch=False),
    dict(...) # 主学习率调度器配置
]

指数预热(exp)¶

MMCV-1.x

MMEngine

lr_config = dict(
    warmup='exp',
    warmup_ratio=0.1,
    warmup_iters=500,
    warmup_by_epoch=False
)

param_scheduler = [
    dict(type='ExponentialLR',
         gamma=0.1,
         begin=0,
         end=500,
         by_epoch=False),
    dict(...) # 主学习率调度器配置
]

fixed 学习率（FixedLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict(policy='fixed')	param_scheduler = [ dict(type='ConstantLR', factor=1) ]

step 学习率（StepLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict( policy='step', step=[8, 11], gamma=0.1, by_epoch=True )	param_scheduler = [ dict(type='MultiStepLR', milestone=[8, 11], gamma=0.1, by_epoch=True) ]

poly 学习率（PolyLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict( policy='poly', power=0.7, min_lr=0.001, by_epoch=True )	param_scheduler = [ dict(type='PolyLR', power=0.7, eta_min=0.001, begin=0, end=num_epochs, by_epoch=True) ]

exp 学习率（ExpLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict( policy='exp', power=0.5, by_epoch=True )	param_scheduler = [ dict(type='ExponentialLR', gamma=0.5, begin=0, end=num_epochs, by_epoch=True) ]

CosineAnnealing 学习率（CosineAnnealingLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict( policy='CosineAnnealing', min_lr=0.5, by_epoch=True )	param_scheduler = [ dict(type='CosineAnnealingLR', eta_min=0.5, T_max=num_epochs, begin=0, end=num_epochs, by_epoch=True) ]

FlatCosineAnnealing 学习率（FlatCosineAnnealingLrUpdaterHook）迁移¶

像 FlatCosineAnnealing 这种由多个学习率策略拼接而成的学习率，原本需要重写 Hook 来实现，而在 MMEngine 中只需将两个参数调度器组合即可

MMCV-1.x

MMEngine

lr_config = dict(
    policy='FlatCosineAnnealing',
    start_percent=0.5,
    min_lr=0.005,
    by_epoch=True
)

param_scheduler = [
    dict(type='ConstantLR', factor=1, begin=0, end=num_epochs * 0.75)
    dict(type='CosineAnnealingLR',
         eta_min=0.005,
         begin=num_epochs * 0.75,
         end=num_epochs,
         T_max=num_epochs * 0.25,
         by_epoch=True)
]

CosineRestart 学习率（CosineRestartLrUpdaterHook）迁移¶

MMCV-1.x

MMEngine

lr_config = dict(policy='CosineRestart',
                 periods=[5, 10, 15],
                 restart_weights=[1, 0.7, 0.3],
                 min_lr=0.001,
                 by_epoch=True)

param_scheduler = [
    dict(type='CosineRestartLR',
         periods=[5, 10, 15],
         restart_weights=[1, 0.7, 0.3],
         eta_min=0.001,
         by_epoch=True)
]

OneCycle 学习率（OneCycleLrUpdaterHook）迁移¶

MMCV-1.x

MMEngine

lr_config = dict(policy='OneCycle',
                 max_lr=0.02,
                 total_steps=90000,
                 pct_start=0.3,
                 anneal_strategy='cos',
                 div_factor=25,
                 final_div_factor=1e4,
                 three_phase=True,
                 by_epoch=False)

param_scheduler = [
    dict(type='OneCycleLR',
         eta_max=0.02,
         total_steps=90000,
         pct_start=0.3,
         anneal_strategy='cos',
         div_factor=25,
         final_div_factor=1e4,
         three_phase=True,
         by_epoch=False)
]

需要注意的是 by_epoch 参数 MMCV 默认是 False, MMEngine 默认是 True

LinearAnnealing 学习率（LinearAnnealingLrUpdaterHook）迁移¶

MMCV-1.x	MMEngine
lr_config = dict( policy='LinearAnnealing', min_lr_ratio=0.01, by_epoch=True )	param_scheduler = [ dict(type='LinearLR', start_factor=1, end_factor=0.01, begin=0, end=num_epochs, by_epoch=True) ]

动量调度器（MomentumUpdater）迁移¶

MMCV 使用 momentum_config 字段和 MomentumUpdateHook 调整动量。 MMEngine 中动量同样由参数调度器控制。用户可以简单将学习率调度器后的 LR 修改为 Momentum，即可使用同样的策略来调整动量。动量调度器只需要和学习率调度器一样添加进 param_scheduler 列表中即可。举一个简单的例子：

MMCV-1.x

MMEngine

lr_config = dict(...)
momentum_config = dict(
    policy='CosineAnnealing',
    min_momentum=0.1,
    by_epoch=True
)

param_scheduler = [
    # 学习率调度器配置
    dict(...),
    # 动量调度器配置
    dict(type='CosineAnnealingMomentum',
         eta_min=0.1,
         T_max=num_epochs,
         begin=0,
         end=num_epochs,
         by_epoch=True)
]

参数更新频率相关配置迁移¶

如果在使用 epoch-based 训练循环且配置文件中按 epoch 设置生效区间（begin，end）或周期（T_max）等变量的同时希望参数率按 iteration 更新，在 MMCV 中需要将 by_epoch 设置为 False。而在 MMEngine 中需要注意，配置中的 by_epoch 仍需设置为 True，通过在配置中添加 convert_to_iter_based=True 来构建按 iteration 更新的参数调度器，关于此配置详见参数调度器教程。以迁移CosineAnnealing为例：

MMCV-1.x

MMEngine

lr_config = dict(
    policy='CosineAnnealing',
    min_lr=0.5,
    by_epoch=False
)

param_scheduler = [
    dict(
        type='CosineAnnealingLR',
        eta_min=0.5,
        T_max=num_epochs,
        by_epoch=True,  # 注意，by_epoch 需要设置为 True
        convert_to_iter_based=True  # 转换为按 iter 更新参数
    )
]

你可能还想阅读参数调度器的教程或者参数调度器的 API 文档。