深度学习工程模板
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
virtualenv venv
source venv/bin/activate
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：
python main_test.py -c configs/simple_mnist_config.json -m simple_m
nist.weights.10-0.24.hdf5
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“大数据挖掘DT机器学习”。