深度学习工程模板：简化加载数据、构建网络、训练模型和预测样本的流程

使用方式

下载工程

创建和激活虚拟环境

安装Python依赖库

开发流程

定义自己的数据加载类，继承DataLoaderBase；

定义自己的网络结构类，继承ModelBase；

定义自己的模型训练类，继承TrainerBase；

定义自己的样本预测类，继承InferBase；

定义自己的配置文件，写入实验的相关参数；

执行训练模型和预测样本操作。

示例工程

识别MNIST库中手写数字，工程

训练：

预测：

网络结构

TensorBoard

工程架构

框架图

文件夹结构

主要组件

DataLoader

操作步骤：

创建自己的加载数据类，继承DataLoaderBase基类；

覆写和，返回训练和测试数据；

Model

操作步骤：

创建自己的网络结构类，继承ModelBase基类；

覆写，创建网络结构；

在构造器中，调用；

注意：支持绘制网络结构；

Trainer

操作步骤：

创建自己的训练类，继承TrainerBase基类；

参数：网络结构model、训练数据data；

覆写，fit数据，训练网络结构；

注意：支持在训练中调用callbacks，额外添加模型存储、TensorBoard、FPR度量等。

Infer

操作步骤：

创建自己的预测类，继承InferBase基类；

覆写，提供模型加载功能；

覆写，提供样本预测功能；

Config

定义在模型训练过程中所需的参数，JSON格式，支持：学习率、Epoch、Batch等参数。

Main

训练：

创建配置文件config；

创建数据加载类dataloader；

创建网络结构类model；

创建训练类trainer，参数是训练和测试数据、模型；

执行训练类trainer的train()；

预测：

创建配置文件config；

处理预测样本test；

创建预测类infer；

执行预测类infer的predict()；

原文：https://github.com/SpikeKing/DL-Project-Template

- 加入人工智能学院系统学习 -