Pytorch Project Template

Die Pytorch -Projektvorlage wird vom folgenden Tool gesponsert. Bitte helfen Sie uns, uns zu unterstützen, indem Sie einen Blick darauf werfen und sich für eine kostenlose Testversion anmelden

Pytorch -Projektvorlage

Implementieren Sie Ihre Pytorch -Projekte auf intelligente Weise.

Eine skalierbare Vorlage für Pytorch -Projekte mit Beispielen für Bildsegmentierung, Objektklassifizierung, Gans und Verstärkungslernen.

Angesichts der Art von Deep -Learning -Projekten haben wir nicht die Möglichkeit, viel über die Projektstruktur oder die Code -Modularität nachzudenken. Nachdem wir mit verschiedenen Deep -Learning -Projekten gearbeitet hatten und Probleme mit der Organisation von Dateien und der Code -Wiederholung konfrontiert hatten, haben wir eine modulare Projektstruktur entwickelt, um ein Pytorch -Projekt zu berücksichtigen. Wir wollten auch eine Basis für verschiedene Pytorch -Modelle bieten, auf denen die Community aufbauen kann.

Dies ist eine gemeinsame Arbeit zwischen Hager Rady und Mo'men Abdelrazek

Inhaltsverzeichnis:

• Pytorch -Projektvorlage
  • Warum diese Vorlage?
  • Tutorials
  • Beitrag
  • Vorlagenklassendiagramm
  • Referenzierte Repos
  • Zusammenfassung der Migrationswanderung
  • Vorlage Repo -Struktur
  • Anforderungen
  • Zukünftige Arbeit
  • Lizenz

Warum diese Vorlage?

Wir schlagen eine Grundlinie für jedes Pytorch -Projekt vor, um Ihnen einen kurzen Start zu ermöglichen, in dem Sie die Zeit haben, sich auf die Implementierung Ihres Modells zu konzentrieren, und wir werden den Rest bewältigen. Die Neuheit dieses Ansatzes liegt in:

• Bereitstellung einer skalierbaren Projektstruktur mit einer Vorlagendatei für jeweils.
• Einführung der Verwendung einer Konfigurationsdatei, die alle Hyper-Parameter im Zusammenhang mit einem bestimmten Problem verarbeitet.
• Einbetten Sie Beispiele aus verschiedenen Problemen in der Vorlage ein, in denen Sie eine von ihnen unabhängig mit einer einzigen Änderung im Konfigurationsdateinamen ausführen können.
• Tutorials , um Ihnen den Einstieg zu erleichtern.

Tutorials:

Wir bieten eine Reihe von Tutorials an, um Ihren Start zu erlangen

• Erste Schritte Tutorial: Wo wir einen Leitfaden zu den Hauptschritten zur Verfügung stellen, um mit Ihrem Projekt zu beginnen.
• MNIST Tutorial: Hier nehmen wir ein bereits implementiertes NN -Modell auf MNIST und passen es an unsere Vorlagenstruktur an.

Beitrag:

• Wir möchten, dass diese Vorlage ein zentraler Ort für viele Variationen der bekannten Pytorch Deep Learning-Modelle ist.
• Wir begrüßen jeden Beitrag der Community, die dies wahr machen werden, und fordern die Menschen auf, ihre Pytorch -Modelle in die Vorlage hinzuzufügen.
• Wir begrüßen auch alle vorgeschlagenen Änderungen oder Diskussionen über das in diesem Projekt verwendete Klassenentwurfsmuster.

Vorlagenklassendiagramm:

Referenzierte Repos:

1. ERFNET: Ein Modell für die semantische Segmentierung , trainiert auf Pascal VOC
2. DCGAN: Deep Falthy -generative Gegnernetzwerke , läuft auf Celeba -Datensatz.
3. Kondensenset: Ein Modell für die Bildklassifizierung , das auf CIFAR10 -Datensatz trainiert wurde
4. DQN: Deep Q-Netzwerkmodell, ein Beispiel für Verstärkungslernen , getestet auf Cartpole-V0
5. Recae: Wiederkehrende neuronale Netzwerkebasis AutoCoder für die Erkennung von Zeitreihen -Anomalie , ausgeführt auf EKG5000 -Datensatz

Zusammenfassung der Repos -Migration:

1. Wir haben von DCGAN gestartet und seine benutzerdefinierten Konfigurationen in die JSON -Datei hinzugefügt. DCGAN hat sowohl Generator- als auch Diskriminatormodell, sodass es keine einzelne Modelldatei hat.
2. Anschließend fügten wir das Condensenet hinzu, wo es notwendig war, einen benutzerdefinierten Blöcke im Ordner "Modelle" zu erstellen, um die Definitionen für benutzerdefinierte Ebenen innerhalb des Modells zu enthalten.
3. Danach haben wir das DQN -Projekt hinzugefügt, bei dem alle mit der Umgebung verbundenen Klassen zu den Utils hinzugefügt wurden. Wir haben auch die Aktionsauswahl und die Modelloptimierung in den Trainingsagenten hinzugefügt.
4. ERFNET war das letzte Beispiel, um der Vorlage beizutreten. Agent, Modell und Utils wurden zu ihren Ordnern ohne Konflikte hinzugefügt.

Dies soll sicherstellen, dass unsere vorgeschlagene Projektstruktur mit unterschiedlichen Problemen kompatibel ist und alle Variationen im Zusammenhang mit einer von ihnen abwickeln kann.

Repo -Struktur:

Nachdem alle unsere Beispiele hinzugefügt wurden, hat das Repo die folgende Struktur:

 ├── 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

Anforderungen:

 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

Zukünftige Arbeit:

Wir planen, weitere Beispiele in unsere Vorlage aufzunehmen, um verschiedene Kategorien von Problemen aufzunehmen. Als nächstes werden wir Folgendes einbeziehen:

• Mobilenetv2
• Visual-Interaktion-Networks-Pytorch
• Variational-AutoCoder-Pytorch

Lizenz:

Dieses Projekt ist unter MIT -Lizenz lizenziert - Einzelheiten finden Sie in der Lizenzdatei