Robomimic使用集中式配置系统来指定所有级别的(超)参数
本文介绍了配置（推荐）和启动训练运行的两种方法
目录
一、使用config json（推荐）
二、在代码中构造一个配置对象
三、查看运行结果
1. 实验结果会存在一个固定文件夹中，可以设置存储位置：
2. 可以设置展示方式：
3. 可以设置存储方式：
4. 可以设置评估执行过程及视频存储：
5. 可以设置Tensorboard可视化：
6. 设置wandb可视化
一、使用config json（推荐）
指定训练参数的首选方法是通过--config参数将config json传递给主训练脚本train.py
数据集可以通过设置config json的train部分的data属性来指定，也可以通过--dataset参数来指定
下面的示例为BC算法运行一个默认模板json。这是开展训练的首选方式
python train.py --config ../exps/templates/bc.json --dataset ../../tests/assets/test_v141.hdf5生成json配置以启动训练运行，可参考超参数助手教程
更多实战过程可参考Dexcap运行逻辑专题内容
二、在代码中构造一个配置对象
启动训练运行的另一种方法是创建默认配置，例如config = config_factory(algo_name="bc")
在python代码中修改配置，然后调用训练函数，就像在examples/train_bc_rnn.py脚本中一样。
import robomimic
import robomimic.utils.torch_utils as TorchUtils
from robomimic.config import config_factory
from robomimic.scripts.train import train# make default BC config
config = config_factory(algo_name="bc")# set config attributes here that you would like to update
config.experiment.name = "bc_rnn_example"
config.train.data = "/path/to/dataset.hdf5"
config.train.output_dir = "/path/to/desired/output_dir"
config.train.batch_size = 256
config.train.num_epochs = 500
config.algo.gmm.enabled = False# get torch device
device = TorchUtils.get_torch_device(try_to_use_cuda=True)# launch training run
train(config, device=device)三、查看运行结果
使用第一种方法指定训练参数，就可以在config.json脚本文件中配置相关设置，定义及查看训练运行的结果
1. 实验结果会存在一个固定文件夹中，可以设置存储位置：
data
可以在<train.output_dir>/<experiment.name>/<date>实验目录文件夹下查看训练结果：
实验目录文件夹内部格式是固定的：
config.json # config used for this experiment
logs/ # experiment log fileslog.txt # terminal outputtb/ # tensorboard logswandb/ # wandb logs
videos/ # videos of robot rollouts during training
models/ # saved model checkpoints
2. 可以设置展示方式：
logging
"logging": {# save terminal outputs under `logs/log.txt` in experiment folder"terminal_output_to_txt": true,# save tensorboard logs under `logs/tb` in experiment folder"log_tb": true# save wandb logs under `logs/wandb` in experiment folder"log_wandb": true
},
3. 可以设置存储方式：
save
比如every_n_epochs定义了每多少轮存储一次
"save": {# enable saving model checkpoints"enabled": true,# controlling frequency of checkpoints"every_n_seconds": null,"every_n_epochs": 50,"epochs": [],# saving the best checkpoints"on_best_validation": false,"on_best_rollout_return": false,"on_best_rollout_success_rate": true
},
4. 可以设置评估执行过程及视频存储：
rollout
"rollout": {"enabled": true, # enable evaluation rollouts"n": 50, # number of rollouts per evaluation"horizon": 400, # number of timesteps per rollout"rate": 50, # frequency of evaluation (in epochs)"terminate_on_success": true # terminating rollouts upon task success
}视频存储配置模块：
render_video
要存储视频，则设置为true
5. 可以设置Tensorboard可视化：
在实验目录文件夹中、打开终端、激活环境、并输入：
tensorboard --logdir logs --bind_all
实验结果（y轴）是根据epochs（x轴）记录的。关键的日志指标包括：
Rollout/：评估的任务成功率、奖励等，Rollout/Success_Rate/{envname}-max：最大成功率随时间变化
Timing_Stats/：算法执行加载、训练和回滚等操作所消耗的时间
Train/：训练数据
Validation/：验证数据
System/RAM Usage (MB)：系统内存使用情况
6. 设置wandb可视化
此外，可以通过wandb查看结果，类似于tensorboard（UMI中使用的wandb），需配置log_wandb为True
首次登录wandb，需要登录账号（自己提前注册）
在robomimic/macros_private.py中将WANDB_ENTITY设置为wandb账户名
Note：如果该文件不存在，运行python robomimic/scripts/setup_macros.py来设置private macros file
默认情况下，所有结果将记录在名为default的wandb项目下
可以通过设置配置文件中的wandb_proj_name更改
