配置实验环境#
实验目录#
用户可以任意新建一个目录作为实验目录，BaseCls 鼓励的实验范式是 library 与 playground 分离，每个人（组）自行维护一个 playground 目录。
模型配置文件#
一个模型通常对应一个 .py 模型配置文件，一个标准的模型配置文件如下所示：
1from basecls.configs import ResNetConfig
2
3_cfg = dict(
4 batch_size=64,
5 model=dict(
6 name="resnet50",
7 ),
8 solver=dict(
9 basic_lr=0.05,
10 ),
11)
12
13
14class ResNet50Config(ResNetConfig):
15 def __init__(self, values_or_file=None, **kwargs):
16 super().__init__(_cfg)
17 self.merge(values_or_file, **kwargs)
18
19
20Cfg = ResNet50Config
BaseCls 要求模型配置文件必须包含一个名为 Cfg 的类，该类必须为 ConfigDict 的子类。用户可以继承已有的模型配置文件并修改。
BaseCls 基于注册机制，支持接入用户自定义的网络。详情见 自定义网络 。
数据源#
倘若数据集在本地，请使用
FolderLoader并填写data.train_path和data.val_path字段。倘若只需要随机数据（如性能评测等），请使用
FakeData。
BaseCls 支持接入第三方数据源。详情见 自定义数据源 。
数据增强#
BaseCls 标准数据处理流程为 RandomResizedCrop -> RandomHorizontalFlip -> [augments] -> RandomErasing -> MixupCutmixCollator 。其中 [augments] 为可修改的数据增强部分，默认为 ColorAugment 。
BaseCls 支持自定义数据增强。详情见 自定义数据增强 。