fairseq源码分析（二）——fairseq注册机制

高内聚，低耦合

作为facebook这样大厂出品的框架，其架构设计一定非常遵循设计模式的各项原则，其基本的一条就是高内聚、低耦合，那么如何实现各部分的解耦，并能灵活的调用各个组件呢？
答案是使用了注册的机制，这种机制实际上是利用的python中的装饰器。

装饰器?

简单的回顾一下装饰器的概念，我理解的装饰器的概念为：在不修改原有方法的前提下，为已存在的方法增加功能。
例如：

# 定义装饰器
def dec(func):
	def wapper(*args,**kargs):
		print("my name is :"+func.__name__)
		return func(*args,**kargs)
	return wapper
# 使用装饰器
@dec
def f():
	print("f")

f()

上述程序在最终调用f时，f已经是一个被包装好的对象了，其输出为

my name is f
f

那么我们已经知道了什么是装饰器，那么fairseq又是怎么通过装饰器来完成各个组件的注册的呢？

注册

在这里我们以model的注册为例进行讲解，model是我们实际训练时加载的模型，在fairseq/models下存放着许多模型结构，这里我们以transformer为例对该机制进行讲解，在文件的开始我们可以看到

这个模型即被一个名为register_model的装饰器所装饰，那么这样的做法为什么就能起到注册模型的作用呢？
答案就是python package中的__init__.py文件，在加载python包时，会首先调用__init__.py文件并执行其中的一些指令，该文件可以为空，也可以书写一些代码，指定一些规则。
在fairseq中的fairseq/models中的__init__.py文件中，我们可以看到，

register_model实际上是在检查我们注册模型时所起的名字是否冲突，如果不冲突，则将其加入一个列表当中。并在接下来将该列表通过argparse，传递给框架的其他部分。其具体代码如下：

到这就完成了模型的注册，那么当我们想使用模型时，如何通过已经注册的模型的名字完成模型的构建呢？

构建

我们在train.py中可以找到这一调用流程，train.py是fairseq训练模型时最为重要的一个文件，关于train.py的讲解，我准备放在第三或第四个系列博客中更新，本处还是聚焦于模型注册机制的讲解。
在train.py中我们可以看到：

模型的创建是通过task中的build_model方法，那么定位到该方法我们可以看到，它实际上还是通过models下__init__.py文件中法方法实现的：

让我们再次回到fairseq/models/init.py中，我们就可以看到：

兜兜转转又回到了最初的起点，通过该方法便可以直接调用相应模型的build方法了。

以上的注册过程对task、criterion、model等等一系列组件都是有效的，这里就不再赘述，后续的内容持续更新中。