Pytorch Project Template

يتم رعاية قالب مشروع Pytorch بواسطة الأداة التالية ؛ الرجاء المساعدة لدعمنا من خلال إلقاء نظرة والتسجيل في تجربة مجانية

قالب مشروع Pytorch

تنفيذ مشاريع Pytorch الخاص بك الطريقة الذكية.

قالب قابل للتطوير لمشاريع Pytorch ، مع أمثلة في تجزئة الصور وتصنيف الكائنات و Gans وتعلم التعزيز.

بالنظر إلى طبيعة مشاريع التعلم العميق ، لا نحصل على فرصة للتفكير في بنية المشروع أو وحدة الكود. بعد العمل مع مشاريع التعلم العميق المختلفة ومواجهة المشكلات في تنظيم الملفات وتكرار الكود ، توصلنا إلى بنية مشروع معيارية لاستيعاب أي مشروع Pytorch. أردنا أيضًا توفير قاعدة لنماذج Pytorch المختلفة للمجتمع للبناء عليها.

هذا عمل مشترك بين هاجر رادي و Mo'men Abdelrazek

جدول المحتويات:

• قالب مشروع Pytorch
  • لماذا هذا القالب؟
  • دروس
  • مساهمة
  • الرسم البياني فئة القالب
  • إعادة المشار إليها
  • ملخص الهجرة
  • القالب هيكل ريبو
  • متطلبات
  • العمل المستقبلي
  • رخصة

لماذا هذا القالب؟

نحن نقترح خطًا أساسيًا لأي مشروع Pytorch لإعطائك بداية سريعة ، حيث ستحصل على الوقت للتركيز على تطبيق النموذج الخاص بك وسنتعامل مع الباقي. تكمن حداثة هذا النهج في:

• توفير بنية مشروع قابلة للتطوير ، مع ملف قالب لكل منهما.
• تقديم استخدام ملف التكوين الذي يتعامل مع جميع المعلمات المفرطة المتعلقة بمشكلة معينة.
• تضمين أمثلة من مشاكل مختلفة داخل القالب ، حيث يمكنك تشغيل أي منها بشكل مستقل مع تغيير واحد في اسم ملف التكوين.
• دروس لتبدأ.

دروس:

نحن نقدم سلسلة من البرامج التعليمية لتبدأ

• بدء تشغيل البرنامج التعليمي: حيث نقدم دليلًا على الخطوات الرئيسية للبدء في مشروعك.
• Mnist Tutorial: هنا نأخذ نموذج NN الذي تم تنفيذه بالفعل على Mnist وتكييفه مع بنية القالب لدينا.

مساهمة:

• نريد أن يكون هذا القالب مكانًا رئيسيًا للعديد من الاختلافات في نماذج التعلم العميق المعروفة في Pytorch.
• نحن نرحب بأي مساهمة من المجتمع الذي سيحقق هذا الأمر ، لذلك نحث الناس على إضافة نماذج Pytorch الخاصة بهم إلى القالب.
• نحن نرحب أيضًا بأي تغييرات أو مناقشات مقترحة حول نمط تصميم الفصل المستخدم في هذا المشروع.

مخطط فئة القالب:

إعادة المشار إليها:

1. Erfnet: نموذج للتجزئة الدلالية ، تم تدريبه على Pascal Voc
2. DCGAN: شبكات تكاليف العميقة العميقة ، تشغيل على مجموعة بيانات CELEBA.
3. المكثفات: نموذج لتصنيف الصور ، تم تدريبه على مجموعة بيانات CIFAR10
4. DQN: نموذج شبكة Q Deep ، مثال على تعلم التعزيز ، تم اختباره على CartPole-V0
5. Recae: Autoencoder القائم على الشبكات العصبية المتكررة لاكتشاف Series anomaly ، يتم تشغيله على مجموعة بيانات ECG5000

ملخص ترحيل Repos:

1. بدأنا بواسطة DCGAN ، وإضافة تكوينات مخصصة إلى ملف JSON. يحتوي DCGAN على كل من نموذج المولد والمياهي ، لذلك لا يحتوي على ملف نموذج واحد.
2. بعد ذلك ، أضفنا المكثفات ، حيث كان من الضروري إنشاء مجلد كتل مخصص داخل مجلد النماذج لتضمين تعريفات الطبقات المخصصة داخل النموذج.
3. بعد ذلك ، أضفنا مشروع DQN ، حيث تمت إضافة جميع الفصول المتعلقة بالبيئة إلى utils. أضفنا أيضًا اختيار الإجراء وتحسين النماذج إلى وكيل التدريب.
4. كان Erfnet المثال الأخير للانضمام إلى القالب ؛ تمت إضافة الوكيل والنموذج والمواقع إلى مجلداتهم دون أي صراعات.

هذا لضمان أن بنية المشروع المقترحة لدينا متوافقة مع مشاكل مختلفة ويمكنها التعامل مع جميع الاختلافات المتعلقة بأي منها.

هيكل الريبو:

بعد إضافة جميع أمثلةنا ، يكون لدى الريبو الهيكل التالي:

 ├── agents
|  └── dcgan.py
|  └── condensenet.py
|  └── mnist.py
|  └── dqn.py
|  └── example.py
|  └── base.py
|  └── erfnet.py
|
├── configs
|  └── dcgan_exp_0.py
|  └── condensenet_exp_0.py
|  └── mnist_exp_0.py
|  └── dqn_exp_0.py
|  └── example_exp_0.py
|  └── erfnet_exp_0.py
|
├── data
|
├── datasets
|  └── cifar10.py
|  └── celebA.py
|  └── mnist.py
|  └── example.py
|  └── voc2012.py
|
├── experiments
|
├── graphs
|  └── models
|  |  └── custome_layers
|  |  |  └── denseblock.py
|  |  |  └── layers.py
|  |  |
|  |  └── dcgan_discriminator.py
|  |  └── dcgan_generator.py
|  |  └── erfnet.py
|  |  └── erfnet_imagenet.py
|  |  └── condensenet.py
|  |  └── mnist.py
|  |  └── dqn.py
|  |  └── example.py
|  |
|  └── losses
|  |  └── loss.py
|
├── pretrained_weights
|
├── tutorials
|
├── utils
|  └── assets
|
├── main.py
└── run.sh

متطلبات:

 easydict==1.7
graphviz==0.8.4
gym==0.10.5
imageio==2.3.0
matplotlib==2.2.2
numpy==1.14.5
Pillow==5.2.0
scikit-image==0.14.0
scikit-learn==0.19.1
scipy==1.1.0
tensorboardX==1.2
torch==0.4.0
torchvision==0.2.1
tqdm==4.23.4

العمل المستقبلي:

نحن نخطط لإضافة المزيد من الأمثلة إلى قالبنا لتشمل فئات مختلفة من المشاكل. بعد ذلك سنقوم بتضمين ما يلي:

• mobilenetv2
• البصرية-دقة networks-pytorch
• التباين-autoencoder-pytorch

رخصة:

هذا المشروع مرخص بموجب ترخيص معهد ماساتشوستس للتكنولوجيا - راجع ملف الترخيص للحصول على التفاصيل