A framework of Continual Learning

• 代码中的LUCIR、LWF的复现样例可以跑通，ICARL的复现样例未跑通
  • 可以参考LUCIR、LWF的复现，去复现GEM
    • 善用代码搜索功能，对比复现代码和论文代码
• 跑起来LCL框架需要修改的地方：
  • ./config/xxx.yaml里的data_root文件位置
  • ./run_trainer.py里main文件的Config
• 感想
  • 看懂GEM的代码流程对复现最重要,分清楚什么时候是训练，什么时候是测试，什么时候是前后向传播。LCL框架并不复杂
  • 有GEM现成代码后，大部分参数移植到框架里时需要魔改/删除

要求的复现环境配置

• 代码环境：Python3.7 及以上，PyTorch 库以及其他运行代码需要的库
• 数据集：CIFAR10、CIFAR100

（不全面，为必要条件）

1. 新增文件：选定好一个方法后，

   1. 在./config路径下新增一个.yaml文件用来满足需要的参数设置.
   2. 在./model/replay 或者 ./model/下新增一个.py文件用来实现训练算法.

2. 参数设置：

   1. 在 configuration/config.py （继承了./config）中设置实验所需参数，推荐复制样例后修改。比如：

      数据集 dataset：CIFAR10、CIFAR100
      数据集路径 dir：比如data_root= “/home/xyk/CIFAR100"
      保存旧样本的数量 memory_size，不使用内存需要将其置零
      模型 backbone：resnet18
      优化器相关参数：optimizer、lr_scheduler
      训练参数：训练 epoch 数目 n_epoch、学习率 lr、batch_size
      任务设置：init_cls_num，inc_cls_num 分别对应持续学习初始化的任务类别数和每个任务增量的类别数
      

3. 训练实现：对于.py文件，需要实现几个函数:
   

   1. def _init_(): 用来初始化各自算法需要的对象

   2. def observe(self, data): 训练过程中，面对到来的一个batch的样本完成训练的损失计算以及参数更新，返回pred, acc, loss: 预测结果，准确率，损失
      

      训练深度神经网络时，通常会将训练数据划分为多个 batch，并将每个 batch 依次输入到网络中进行训练。这样做的好处是可以利用高效的并行计算，提高训练的效率，并且可以在每个 batch 上进行梯度更新，从而更好地优化网络权重。

      与 batch 相关的概念是 "epoch"。一个 epoch 表示将所有训练样本都经过一次前向传播和反向传播的过程。在一个 epoch 中，所有的训练样本都被用于更新网络的权重

   3. def inference(self, data): 推理过程中，面对到来的一个batch的样本，完成预测，返回pred, acc
      

   4. def before_task() / after_task(): 可选，如果算法在每个任务开始前后有额外的操作，在这两个函数内完成
      

      1. before_task：负责在每个任务训练前，执行更换分类头、重置优化器、赋值变量等操作
      2. afer_task：在每个任务结束时更新内存中保存的样本（replay 模型）

4. 训练过程中需要不同的buffer以及更新策略，可以自己在'./cire/model/buffer'下仿照LinearBuffer新增文件，并反馈给助教.

   "buffer" 是指用于存储和管理数据的缓冲区或缓存区域。它通常用于在训练过程中临时存储训练样本、特征向量、标签或其他相关数据。例如数据加载缓冲区、中间结果缓冲区

1. data模块：'./core/data' 负责dataset的读取逻辑，关于datasets所需要的transform暂时没有写好，大家在复现各自方法的时候，需要什么transform可以直接修改./core/data/dataloader.py，后续会逐渐完善.
   

   1. 可能在./core/data/dataloader.py需要添加预处理transform逻辑

   数据集（dataset）的变换（transform）是指对原始数据集进行一系列的操作和转换，以生成经过预处理或增强的新数据集。这些操作可以包括数据的标准化、缩放、旋转、裁剪、翻转等，以及其他一些对数据进行处理的方法。

2. bakcbone模块：'./core/model/backbone' 负责backbone模型文件的定义(不包含fc)，这里我是参考PyCIL(https://github.com/G-U-N/PyCIL). 建议大家在复现各自方法之前，先检查一下与论文代码中的模型结构是否一致。
   

   1. 都是resnet18，应该不需要修改

      在深度学习中，通常的网络架构是由 backbone 模型和fc全连接层（或其他类型的层）组成的。backbone 模型用于提取输入数据的特征表示，而fc全连接层则用于将这些特征映射到最终的输出结果。这种组合可以有效地进行特征提取和学习，以解决各种机器学习任务。

      backbone 模型通常由一系列的卷积层、池化层和激活函数组成，用于逐层提取和转换输入数据的特征。这些层级结构可以根据具体的网络架构而有所不同，但其目标都是通过层叠的非线性变换来捕捉输入数据的高级特征。

3. buffer模块： './core/model/buffer' 负责训练过程中buffer的管理以及更新。 目前只实现了LinearBuffer, 在每个任务开始前会把buffer样本与新样本拼接在一起. buffer的更新策略，目前只支持了随机更新. 其他类型的Buffer以及更新策略后续会逐渐完善. 此外，Buffer的更新函数 def update的参数，大家在实现的时候可以先根据自己的需要随意设置，后续会考虑整合.
   

   1. 论文里没看到buffer，大概率不需要动

      "buffer" 是指用于存储和管理数据样本的缓冲区或缓存区域。它通常用于在训练过程中临时存储训练样本、特征向量、标签或其他相关数据。例如数据加载缓冲区、中间结果缓冲区

4. logger模块：'./core/utils/logger.py' 负责训练过程中的日志打印。 此处选择直接hack 系统输出，因此大家在训练过程中不需要显示的调用logger.info等接口， 直接正常的print想要的信息，logger模块会自动的保存在日志文件中.

   1. 大概率不需要动

5. trainer模块：'./core/trainer.py' 负责整个实验的流程控制。 大家在复现各自方法的时候，如果流程上有暂时支持不了的，可以直接修改trainer.py来满足，并且可以反馈给我，后续我会对流程做进一步的完善.
   

   1. 可能需要动。负责流程控制

6. config模块：'./config/', 负责整个训练过程的参数配置。 入口：run_trainer.py里的line：15填入各自方法对应的yaml配置文件路径。 为每个方法在./config/路径下新建一个*.yaml。 配置文件里面需要写入以下参数：
   

   a/  includes:  仿照finetune.yaml照抄，用来填充一些默认的参数。   *.yaml里的参数会覆盖掉config/headers/里的参数  <br>
   b/  data_root: 所使用的数据集路径。数据集的摆放格式如下：
         data_root:  <br>
         | ---train  <br>
         | ------class1   <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
         | ------class2  <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
         | ------class3  <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
         | ---test  <br>
         | ------class1  <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
         | ------class2  <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
         | ------class3  <br>
         | ----------img1.jpg  <br>
         | ----------img2.jpg  <br>
   
   c/ save_path: log以及checkpoints存放路径，log文件存放在 save_path/xxx.log,  checkpoint保存功能还未完成.  <br>
   
   d/ init_cls_num, inc_cls_num, task_num: 第一个任务的类别个数、后续每个任务的类别个数、任务总数。 类别顺序是随机生成的 <br>
   
   e/ init_epoch, epoch:  分别对应持续学习初始化的任务类别数和每个任务增量的类别数，没设置init_epoch的情况下init_epoch = epoch  <br>
   
   f/ backbone:  参考finetune.yaml, 一般指明name即可， 其中args:datasets 是代码遗留问题，暂时先照抄，后续会修改掉.   <br>
   
   g/ optimizer, lr_scheduler:  可以仿照大家平常使用pytorch自带的optimizer与scheduler, 将名字与相应参数，仿照finetune.yaml的形式填入即可.   <br>
   
   h/ buffer:  与训练过程中使用的buffer相关，目前buffer的使用只支持将旧样本与新样本拼接在一起。buffer_size, batch_size, strategy： 旧样本数量，batch_size在linearBuffer下没用，strategy更新策略。
   
   i: classifier: name:对应各自实现的方法名，其他参数看各自需要什么，直接在里面加