[Doc] Chinese translation of config_generation.md

docs_zh-CN/config_generation.md → docs_zh-CN/configs/config_generation.md

@@ -1,6 +1,6 @@
 # 配置文件 - 生成
 
-与 [MMDetection](https://github.com/open-mmlab/mmdetection) 一样，我们将模块化和继承设计融入我们的配置系统，方便进行各种实验。
+与 [MMDetection](https://github.com/open-mmlab/mmdetection) 一样，我们将模块化和继承设计融入我们的配置系统，以方便进行各种实验。
 
 ## 示例 - pix2pix
 
@@ -16,7 +16,7 @@ model = dict(
         in_channels=3,  # 生成器的输入通道数
         out_channels=3,  # 生成器的输出通道数
         num_down=8,  # # 生成器中下采样的次数
-        base_channels=64,  # 生成器中下采样的数量# 生成器最后卷积层的通道数
+        base_channels=64,  # 生成器最后卷积层的通道数
         norm_cfg=dict(type='BN'),  # 归一化层的配置
         use_dropout=True,  # 是否在生成器中使用 dropout
         init_cfg=dict(type='normal', gain=0.02)),  # 初始化配置
@@ -30,18 +30,18 @@ model = dict(
     gan_loss=dict(
         type='GANLoss',  # GAN 损失的名称
         gan_type='vanilla',  # GAN 损失的类型
-        real_label_val=1.0,  # GAN 损失的真实标签值
-        fake_label_val=0.0,  # GAN loss 的假标签值
-        loss_weight=1.0),  # GAN 损失的权重
+        real_label_val=1.0,  # GAN 损失函数中真实标签的值
+        fake_label_val=0.0,  # GAN 损失函数中伪造标签的值
+        loss_weight=1.0),  # GAN 损失函数的权重
     pixel_loss=dict(type='L1Loss', loss_weight=100.0, reduction='mean'))
 # 模型训练和测试设置
 train_cfg = dict(
-    direction='b2a')  # pix2pix 的图像到图像的翻译方向 (模型训练的方法，和测试方向一致)。 模型默认: a2b
+    direction='b2a')  # pix2pix 的图像到图像的翻译方向 (模型的方向，和测试方向一致)。模型默认: a2b
 test_cfg = dict(
-    direction='b2a',   # pix2pix 的图像到图像的翻译方向 (模型训练的方法，和测试方向一致)。 模型默认: a2b
+    direction='b2a',   # pix2pix 的图像到图像的翻译方向 (模型测试的方向，和训练方向一致)。模型默认: a2b
     show_input=True)  # 保存 pix2pix 的测试图像时是否显示输入的真实图像
 
-# dataset settings
+# 数据设置
 train_dataset_type = 'GenerationPairedDataset'  # 训练数据集的类型
 val_dataset_type = 'GenerationPairedDataset'  # 验证/测试数据集类型
 img_norm_cfg = dict(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])  # 输入图像归一化配置
@@ -73,7 +73,7 @@ train_pipeline = [
         to_rgb=True,  # 是否将图像通道从 BGR 转换为 RGB
         **img_norm_cfg),  # 图像归一化配置（`img_norm_cfg` 的定义见上文）
     dict(
-       type='ImageToTensor',  # 图像到 Tensor
+       type='ImageToTensor',  # 将图像转化为 Tensor
        keys=['img_a', 'img_b']),  # 要从图像转换为 Tensor 的图像的关键词
     dict(
         type='Collect',  # 决定数据中哪些键应该传递给合成器
@@ -100,7 +100,7 @@ test_pipeline = [
         to_rgb=True,  # 是否将图像通道从 BGR 转换为 RGB
         **img_norm_cfg),  # 图像归一化配置（`img_norm_cfg` 的定义见上文）
     dict(
-       type='ImageToTensor',  # 图像到 Tensor
+       type='ImageToTensor',  # 将图像转化为 Tensor
        keys=['img_a', 'img_b']),  # 要从图像转换为 Tensor 的图像的关键词
     dict(
         type='Collect',  # 决定数据中哪些键应该传递给合成器
@@ -131,31 +131,31 @@ data = dict(
         test_mode=True))
 
 # 优化器
-optimizers = dict(  # 用于构建优化器的配置，支持 PyTorch 中所有参数与 PyTorch 中相同的优化器
+optimizers = dict(  # 用于构建优化器的配置，支持 PyTorch 中所有优化器，且参数与 PyTorch 中对应优化器相同
     generator=dict(type='Adam', lr=2e-4, betas=(0.5, 0.999)),
     discriminator=dict(type='Adam', lr=2e-4, betas=(0.5, 0.999)))
 
 # 学习策略
-lr_config = dict(policy='Fixed', by_epoch=False)  # 用于注册 LrUpdater Hook 的学习率调度程序配置
+lr_config = dict(policy='Fixed', by_epoch=False)  # 用于注册 LrUpdater 钩子的学习率调度程序配置
 
 # 检查点保存
-checkpoint_config = dict(interval=4000, save_optimizer=True, by_epoch=False)  # 配置检查点 Hook，实现参考 https://github.com/open-mmlab/mmcv/blob/master/mmcv/runner/hooks/checkpoint.py
-evaluation = dict(  # 构建验证 Hook 的配置
+checkpoint_config = dict(interval=4000, save_optimizer=True, by_epoch=False)  # 配置检查点钩子，实现参考 https://github.com/open-mmlab/mmcv/blob/master/mmcv/runner/hooks/checkpoint.py
+evaluation = dict(  # 构建验证钩子的配置
     interval=4000,  # 验证区间
     save_image=True)  # 是否保存图片
-log_config = dict(  # 配置注册记录器 Hook
+log_config = dict(  # 配置注册记录器钩子
     interval=100,  # 打印日志的时间间隔
     hooks=[
         dict(type='TextLoggerHook', by_epoch=False),  # 用于记录训练过程的记录器
         # dict(type='TensorboardLoggerHook')  # 还支持 Tensorboard 记录器
     ])
-visual_config = None  # 构建可视化 Hook 的配置
+visual_config = None  # 构建可视化钩子的配置
 
 # 运行设置
 total_iters = 80000  # 训练模型的总迭代次数
 cudnn_benchmark = True  # 设置 cudnn_benchmark
 dist_params = dict(backend='nccl')  # 设置分布式训练的参数，端口也可以设置
-log_level = 'INFO'  #日志级别
+log_level = 'INFO'  # 日志级别
 load_from = None  # 从给定路径加载模型作为预训练模型。 这不会恢复训练
 resume_from = None  # 从给定路径恢复检查点，当检查点被保存时，训练将从该 epoch 恢复
 workflow = [('train', 1)]  # runner 的工作流程。 [('train', 1)] 表示只有一个工作流程，名为 'train' 的工作流程执行一次。 训练当前生成模型时保持不变