上海seo网站优化,一个域名访问不同的网站,青岛建站seo公司,汕头网站推广iDP3 核心脚本包括三个#xff1a;deploy_policy.sh、vis_dataset.sh、train_policy.sh#xff0c;分别代表了部署、预处理和训练#xff0c;分别作为对应 py 脚本的参数设置前置环节 训练环节仅需运行指令#xff1a;
# 3d policy
bash scripts/train_policy.sh idp3 gr1…iDP3 核心脚本包括三个deploy_policy.sh、vis_dataset.sh、train_policy.sh分别代表了部署、预处理和训练分别作为对应 py 脚本的参数设置前置环节 训练环节仅需运行指令
# 3d policy
bash scripts/train_policy.sh idp3 gr1_dex-3d 0913_example# 2d policy
bash scripts/train_policy.sh dp_224x224_r3m gr1_dex-image 0913_example
idp3、dp_224x224_r3mpolicy 名称
gr1_dex-3d、gr1_dex-imageFourier GR1、dexterous hands-3d/image
0913_example附加信息某个特定时间点的样例
此脚本输入设置包括算法名称、任务名称和其他配置信息支持调试模式和训练模式并集成 wanb 作为日志记录工具
接下来分析一下其运行逻辑 目录
1 变量设置
2 命令行参数
3 衍生变量
4 调试模式
5 切换目录并设置环境变量
6 执行 train.py 1 变量设置
dataset_path/home/ze/projects/Improved-3D-Diffusion-Policy/training_data_exampleDEBUGFalse
wandb_modeoffline
dataset_path训练数据集路径
DEBUG切换调试模式True或训练模式False
wandb_mode配置 wandb 记录模式支持 online 或 offline 2 命令行参数
alg_name${1}
task_name${2}addition_info${3}
接收算法名称alg_name、任务名称task_name和附加信息addition_info作为输入参数 3 衍生变量
config_name${alg_name}seed0
exp_name${task_name}-${alg_name}-${addition_info}
run_dirdata/outputs/${exp_name}_seed${seed}gpu_id0
echo -e \033[33mgpu id (to use): ${gpu_id}\033[0m
config_name根据算法名称设置配置文件名
exp_name构建唯一的实验名称
run_dir指定输出文件的存储目录
gpu_id使用的 GPU ID 4 调试模式
if [ $DEBUG True ]; thensave_ckptFalse# wandb_modeonlineecho -e \033[33mDebug mode!\033[0mecho -e \033[33mDebug mode!\033[0mecho -e \033[33mDebug mode!\033[0m
elsesave_ckptTrueecho -e \033[33mTrain mode\033[0m
fi
根据 DEBUG 变量的值动态地设置训练参数和运行模式
此处展开说明一下
如果 DEBUGTrue则进入调试模式
如果 DEBUGFalse则进入训练模式
在调试模式下save_ckpt 被设置为 False即不会保存训练过程中的模型检查点checkpoints
调试模式通常用于快速验证脚本或模型是否可以正常运行避免浪费存储空间和时间在保存中间结果上
此外注释部分可以切换 wandbWeights and Biases的记录模式到在线模式以实时查看调试日志。当前注释状态下wandb_mode 保持原始的 offline 配置以减少调试期间的外部依赖
echo -e \033[33mDebug mode!\033[0m
在终端中打印出黄色的 “Debug mode!” 强调处于调试模式
echo用于输出文本
-e启用转义序列
\033[33m设置文本颜色为黄色ANSI 转义序列
\033[0m重置文本样式返回到默认颜色
然后就重要的事情说三次...... 5 切换目录并设置环境变量
cd Improved-3D-Diffusion-Policyexport HYDRA_FULL_ERROR1
export CUDA_VISIBLE_DEVICES${gpu_id}
切换到项目目录以执行训练脚本
配置环境变量以启用完整错误跟踪HYDRA_FULL_ERROR并指定用于训练的 GPU 设备 6 执行 train.py
python train.py --config-name${config_name}.yaml \task${task_name} \hydra.run.dir${run_dir} \training.debug$DEBUG \training.seed${seed} \training.devicecuda:0 \exp_name${exp_name} \logging.mode${wandb_mode} \checkpoint.save_ckpt${save_ckpt} \task.dataset.zarr_path$dataset_path
--config-nameyaml 配置文件名
task任务名
hydra.run.dirHydra 输出目录
training.debug调试模式标志
training.seed设置随机种子以确保可重复性
training.device选择 GPU 设备
exp_name指定实验名称用于日志记录
logging.mode配置 wandb 日志模式
checkpoint.save_ckpt是否保存模型检查点
task.dataset.zarr_path数据集路径
