使用方式
下載下傳工程
git clone https://github.com/SpikeKing/DL-Project-Template 建立和激活虛拟環境
virtualenv venv
source venv/bin/activate
安裝Python依賴庫
pip install -r requirements.txt 開發流程
● 定義自己的資料加載類，繼承DataLoaderBase；
● 定義自己的網絡結構類，繼承ModelBase；
● 定義自己的模型訓練類，繼承TrainerBase；
● 定義自己的樣本預測類，繼承InferBase；
● 定義自己的配置檔案，寫入實驗的相關參數；
執行訓練模型和預測樣本操作。
示例工程
識别MNIST庫中手寫數字，工程
simple_mnist
訓練：
python main_train.py -c configs/simple_mnist_config.json 預測：
python main_test.py -c configs/simple_mnist_config.json -m simple_m
nist.weights.10-0.24.hdf5
TensorBoard
工程架構
主要元件
DataLoader
操作步驟：
● 建立自己的加載資料類，繼承DataLoaderBase基類；
● 覆寫
get_train_data()
和
get_test_data()
，傳回訓練和測試資料；
Model
● 建立自己的網絡結構類，繼承ModelBase基類；
build_model()
，建立網絡結構；
● 在構造器中，調用
build_model()
；
注意：
plot_model()
支援繪制網絡結構；
Trainer
● 建立自己的訓練類，繼承TrainerBase基類；
● 參數：網絡結構model、訓練資料data；
train()
，fit資料，訓練網絡結構；
注意：支援在訓練中調用callbacks，額外添加模型存儲、TensorBoard、FPR度量等。
Infer
● 建立自己的預測類，繼承InferBase基類；
load_model()
，提供模型加載功能；
predict()
，提供樣本預測功能；
Config
定義在模型訓練過程中所需的參數，JSON格式，支援：學習率、Epoch、Batch等參數。
Main
● 建立配置檔案config；
● 建立資料加載類dataloader；
● 建立網絡結構類model；
● 建立訓練類trainer，參數是訓練和測試資料、模型；
● 執行訓練類trainer的train()；
● 處理預測樣本test；
● 建立預測類infer；
● 執行預測類infer的predict()；
原文釋出時間為：2018-10-24
本文來自雲栖社群合作夥伴“大資料挖掘DT機器學習”，了解相關資訊可以關注“
大資料挖掘DT機器學習”。