yacs、yaml进行实验参数配置详解
1 介绍
很多模型需要设置超参数，当超参数过多时，不方便管理，于是出现了很多类似yaml,yacs的包。YACS是一个轻量级库，用于定义和管理系统配置，例如那些在为科学实验设计的软件中常见的配置。这些“配置”通常涵盖诸如用于训练机器学习模型的超参数或可配置模型超参数（如卷积神经网络的深度）之类的概念。由于您正在进行科学研究，因此重复性至关重要，因此您需要一种可靠的方法来序列化实验配置。YACS使用YAML作为简单的，人类可读的序列化格式。
范式是：
your code + a YACS config for experiment E(+ external dependencies + hardware + other nuisance terms...) = reproducible experiment E。
虽然您可能无法控制所有内容，但至少可以控制代码和实验配置。
2 用法
YACS可以以各种灵活的方式使用，主要的范例又两种：
配置为局部变量(local variable)
配置为全局变量(global singleton)
可以根据需要选择使用哪一种模式，但推荐使用local variable模式。
要在项目中使用YACS，首先要创建一个项目配置文件，通常称为config.py或defaults.py。此文件是所有可配置选项的一站式参考点。它应该有很好的文档记录，并为所有选项提供合理的默认值。
#my_project/config.py
from yacs.config import CfgNode as CN
#创建一个配置节点 _C
_C = CN()
#在_C下创建新的配置节点_C.SYSTEM
#给_C.SYSTEM的属性配置默认值
_C.SYSTEM = CN()
#Number of GPUS to use in the experiment
_C.SYSTEM.NUM_GPUS = 8
#Number of workers for doing things
_C.SYSTEM.NUM_WORKERS = 4
_C.TRAIN = CN()
#A very important hyperparameter
_C.TRAIN.HYPERPARAMETER_1 = 0.1
#The all important scales for the stuff
_C.TRAIN.SCALES = (2,4,8,16)
def get_cfg_defaults():
"""Get a yacs CfgNode object with default values for my_project."""
#克隆一份配置节点_C的信息返回，_C的信息不会改变
#This is for the "local variable" use pattern
return _C.clone
# Alternatively, provide a way to import the defaults as
# a global singleton:
# cfg = _C # users can `from config import cfg`接下来，需要创建YAML配置文件，通常你会为每个实验创建一个。每个配置文件仅重写该实验中需要更改的配置选项。
#my_project/experiment.yaml
SYSTEM:
NUM_GPUS:2
TRAIN:
SCALES:(1,2)
最后，您可以在你的实际项目代码使用配置。在初始设置之后，最好通过调用freeze()方法将配置冻结以防止进一步修改。如下图所示，配置选项可以通过导入cfg并直接访问它来使用全局选项集(globle singleton模式），或者可以复制cfg并将其作为参数传递(local variable模式）。
# my_project/main.py
import my_project
from config import get_cfg # local variable usage pattern, or:
# from config import cfg # global singleton usage pattern
if __name__ == "__main__":
cfg = get_cfg_defaults()
cfg.merge_from_file("experiment.yaml")
cfg.freeze()
print(cfg)
#Example of using the cfg as global access to options
if cfg.SYSTEM.NUM_GPUS > 0:
my_project.setup_multi_gpu_support()
model = my_project.create_model(cfg)命令行重写
也可以使用完全限定的键值对列表更新CfgNode。这样可以轻松地从命令行使用覆盖选项。例如：
cfg.merge_from_file("experiment.yaml")
#Now override from a list (opts could come from the command line)
opts = ["SYSTEM.NUM_GPUS",8,"TRAIN.SCALES","(1,2,3,4)"]
cfg.merge_from_list(opts)建议采用以下原则：“相同的配置选项只使用一种方法。”这个原则意味着如果在YACS配置对象中定义了一个选项，那么你的程序应该使用cfg.merge_from_list(opts)设置该配置选项，而不是通过定义--train-scales作为命令行参数来实现。然后用来设置cfg.TRAIN.SCALES。
注：一般defaults.py为默认的所有超参数配置，而xxx.yaml文件为每种实验设置需要的不同的参数设置。
以上来自github上的官方文档yacs的readme部分。
直接加载.yaml文件，且引用配置文件里变量的方法不是字典方式，而是通过符号"."级联
from yacs.config import CfgNode as CN
yaml_name = 'my_project/experiment.yaml'
fcfg = open(yaml_name)
cfg = CN.load_cfg(fcfg)
cfg.freeze()
print(cfg.SYSTEM.NUM_GPUS) 3 常用方法
merge_from_file()
merge_from_file()是非常重要的一个函数，在一个任务中你可能需要尝试不同的参数进行实验，这就需要这个函数，首先创建 config.py 和 training.yaml 之后，比较两者之间的参数，然后在config.py对 _C 初始化之后执行此函数，就会修改我们的初始化参数了，也就是说 training.yaml 中的参数会覆盖原有的初始化的参数。
注意：training.yaml中不能包含config.py中没有的参数，不然会报错。反过来如果 config.py 中有的参数我们不需要更改，那么training.yaml可以不设置。在_C中申明过后的变量才能被赋值和修改，如果_C中没有某个变量，而yaml中有，那就会报错，因为该变量未能事先申明。