使用方式

下载工程

git clone https://github.com/SpikeKing/DL-Project-Template

创建和激活虚拟环境

安装Python依赖库

pip install -r requirements.txt

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simple_mnist

训练：

python main_train.py -c configs/simple_mnist_config.json

预测：

TensorBoard

工程架构

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 get_train_data() 和 get_test_data() ，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 build_model() ，创建网络结构；  ●  在构造器中，调用 build_model() ；

注意：plot_model()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 train() ，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 load_model() ，提供模型加载功能；

 ●  覆写predict()，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()；

原文发布时间为：2018-10-24

本文来自云栖社区合作伙伴“大数据挖掘DT机器学习”，了解相关信息可以关注“”。