训练器 (Trainer)

训练器提供了一个完整的默认训练流程，包括钩子、数据流水线、渲染器、模型、优化器和日志记录器的初始化，以及训练步骤、训练循环和验证过程。

DefaultTrainer

DefaultTrainer是用于训练和测试模型的类，其框架主要包括以下部分：

• 初始化：在初始化阶段，DefaultTrainer根据配置文件和实验目录构建训练环境。这包括解析配置文件、构建数据流水线、渲染器、模型、优化器、调度器和钩子。

• 训练循环：train_loop方法定义了整个训练过程。它在每个训练步骤中更新模型参数，并在每个验证间隔时验证模型。train_step方法定义了每个训练步骤的过程。它首先通过模型获取渲染结果，然后计算损失，最后通过优化器更新模型参数。validation方法定期调用，并用于评估模型在验证集上的性能。它遍历验证集中的所有数据，对每个数据进行渲染，然后计算评估指标。

• 测试：test方法用于评估模型在测试集上的性能。它首先加载模型，然后渲染测试集的数据，并保存渲染结果，如一些新颖视图图像。

• 加载和保存：save_model和load_model方法用于保存和加载模型。模型的状态保存在一个字典中，其中包括全局步数、优化器状态、模型状态和渲染器状态。

• 钩子函数：call_hook方法用于调用钩子函数。钩子函数是在特定阶段执行的函数（如训练开始、训练结束、每个训练步骤前后等），可以用于实现一些自定义功能。

Note

您还可以通过定义钩子函数或继承DefaultTrainer类并添加自己的修改来定义自己的训练过程。

数据流程

在这个框架中，数据的流程主要经历以下步骤：

1. 数据加载：通过数据流水线加载训练数据和验证数据。

2. 训练：

   • 前向传播：将训练数据集输入到模型中，进行前向传播，并获得渲染结果。

   • 损失计算：基于渲染结果和实际数据计算损失字典。

   • 反向传播和参数更新：根据损失进行反向传播，然后生成优化器字典，通过优化器更新模型参数和结构。

   • 验证：在验证阶段（定期调用），也执行数据加载、前向传播和评估指标计算的步骤，但不执行反向传播和参数更新。

3. 保存模型：在训练过程的特定步骤或训练结束时，保存模型的状态。

Note

如果要测试模型的效果，只需调用test()方法，它将加载模型并渲染图像以评估模型。