Python 在深度学习模型推理过程中使用hydra的最佳方法

我目前正在为我的深度学习项目试用hydra conf。 对于培训，我遵循文档中所示的方法：

• 配置文件文件夹，一个主config.yml文件，在额外文件夹中包含其他配置组
• 我的main方法用@hydra.main（…）修饰以初始化/加载配置

当我的模型被训练时，我保存相应的状态dict

现在的问题是，使用hydra进行模型推理的预期方法是什么？ 我的想法是在加载state dict之前，使用模型检查点以及.hydra文件夹中特定于运行的config.yml文件来获取实例化模型所需的构造函数参数

有没有更好的方法来实现我的目标

编辑1:

---

当尝试使用@hydra.main（）方法时，我不知道如何将动态配置文件路径传递给装饰器，因为这将由用户提供（场景：我想通过在hydra创建的training run文件夹中提供配置文件的路径来推断某个模型）

有很多方法可以做到这一点，而且没有一个被贴上“最佳”的标签。 你做什么取决于你的需要和你的限制。 您需要初始化配置对象和模型，并将它们传递给推理逻辑

这可以在最初用于训练模型的Hydra应用程序中完成，也可以在新的更简单的应用程序中完成。 您可以使用

https://omegaconf.readthedocs.io/en/2.0_branch/

在加载模型时直接加载配置

如果要重新组合配置，应使用原始应用程序配置和覆盖列表（也在.hydra main中），以及

https://hydra.cc/docs/experimental/compose_api

。 与仅使用训练跑步保存的确切config.yaml相比，重新编写更为复杂，但提供了更大的灵活性

Edit1: 不太干净： 您可以尝试使用--config dir和--config name（

https://hydra.cc/docs/advanced/hydra-command-line-flags

）

如果您的主配置也被命名为'config'，我认为您必须重命名它，因为它将被加载，而不是生成的输出目录（in.hydra）中的配置

更好，但需要更改代码： 一个实用的替代方案是：

@hydra.main()
def infer(cfg):
  cfg = OmegaConf.load(cfg.config_path)
  ...

---

我还找到了composeAPI，但对“何时应该使用它”部分（）感到有点困惑。不同的用例和蓝色警告框表明，compose api应该作为最后手段使用，并用于正常的ML推理用例。我用@hydra.main（…）方法的问题更新了我的问题

$ python infer.py +config_path=outputs/2021-03-30/17-26-51/.hydra/config.yaml
...