• 图像分类任务要用到mmcv框架，记录遇到的问题

1. Can‘t import build_from_cfg from mmcv.

解决命令：pip install openmim && mim install mmcv-full

2. python分布式训练

解决方案： 租用多张A40卡，执行下述命令：

python -m torch.distributed.launch --nproc_per_node=2 train.py

型号	显存	单精(FP32)	半精(FP16)	详细参数	说明
Tesla P40	24GB	11.76 T	11.76 T	查看	比较老的Pascal架构GPU，对于cuda11.x之前且对大显存有需求的算法是非常不错的选择
TITAN Xp	12GB	12.15 T	12.15 T	查看	比较老的Pascal架构GPU，用作入门比较合适
1080 Ti	11GB	11.34 T	11.34 T	查看	和TITANXp同时代的卡，同样适合入门，但是11GB的显存偶尔会比较尴尬
2080Ti	11GB	13.45 T	53.8 T	查看	图灵架构GPU，性能还不错，老一代型号中比较适合做混合精度计算的GPU。性价比高
V100	16/32GB	15.7 T	125 T	查看	老一代专业计算卡皇，半精性能高适合做混合精度计算
3060	12GB	12.74 T	约24T	查看	如果1080Ti的显存正好尴尬了，3060是不错的选择，适合新手。需要使用cuda11.x
A4000	16GB	19.17 T	约76T	查看	显存和算力都比较均衡，适合进阶过程使用。需要使用cuda11.x
3080Ti	12GB	34.10 T	约70T	查看	性能钢炮，如果对显存要求不高则是非常合适的选择。需要使用cuda11.x
A5000	24GB	27.77T	约117T	查看	性能钢炮，如果觉得3080Ti的显存不够用A5000是合适的选择，并且半精算力高适合混合精度。需要使用cuda11.x
3090	24GB	35.58 T	约71T	查看	可以看做3080Ti的扩显存版。性能和显存大小都非常够用，适用性非常强，性价比首选。需要使用cuda11.x
A40	48GB	37.42 T	149.7 T	查看	可以看做是3090的扩显存版。算力和3090基本持平，因此根据显存大小进行选择。需要使用cuda11.x
A100 SXM4	40/80GB	19.5 T	312 T	查看	新一代专业计算卡皇，除了贵没缺点。显存大，非常适合做半精计算，因为有NVLink加持，多卡并行加速比非常高。需要使用cuda11.x
4090	24G	82.58 T	165.2 T	查看	新一代游戏卡皇，除显存比较小和多机多卡并行效率低的缺点外，性价比非常高

3. No such file or directory: ‘weights/backbone_ir50_ms1m_epoch120.pth’

dd it from https://github.com/primasr/Learn_ArcFace

4. version mismatch 警告的nice消除~

一直显示用户警告，

/root/miniconda3/lib/python3.8/site-packages/mmcv/__init__.py:20: UserWarning: On January 1, 2023, MMCV will
release v2.0.0, in which it will remove components related to the training process and add a data
transformation module. In addition, it will rename the package names mmcv to mmcv-lite and mmcv-full to mmcv.
See https://github.com/open-mmlab/mmcv/blob/master/docs/en/compatibility.md for more details.

由于是系统库的警告，在执行代码里消除无用，必须到系统库代码里处理
编辑对应python库文件

修改如下(当然也可直接注释annotate掉)：要在警告前设置过滤~~

多清爽😊😊