Pytorch Project Template

La plantilla del proyecto Pytorch está siendo patrocinada por la siguiente herramienta; Por favor, ayude a apoyarnos echando un vistazo e inscribiéndose en una prueba gratuita

Plantilla de proyecto Pytorch

Implemente sus proyectos de Pytorch de la manera inteligente.

Una plantilla escalable para proyectos de Pytorch, con ejemplos en segmentación de imágenes, clasificación de objetos, Gans y aprendizaje de refuerzo.

Dada la naturaleza de los proyectos de aprendizaje profundo, no tenemos la oportunidad de pensar mucho sobre la estructura del proyecto o la modularidad del código. Después de trabajar con diferentes proyectos de aprendizaje profundo y enfrentar problemas con la organización de archivos y la repetición del código, se nos ocurrió una estructura de proyecto modular para acomodar cualquier proyecto de Pytorch. También queríamos proporcionar una base para diferentes modelos de Pytorch para que la comunidad se construya.

Este es un trabajo conjunto entre Hager Rady y Mo'men Abdelrazek

Tabla de contenido:

• Plantilla de proyecto Pytorch
  • ¿Por qué esta plantilla?
  • Tutoriales
  • Contribución
  • Diagrama de clase de plantilla
  • Repos referenciado
  • Resumen de la migración de repos
  • Estructura de repo de plantilla
  • Requisitos
  • Trabajo futuro
  • Licencia

¿Por qué esta plantilla?

Estamos proponiendo una línea de base para cualquier proyecto de Pytorch para darle un comienzo rápido, donde tendrá el tiempo para concentrarse en la implementación de su modelo y manejaremos el resto. La novedad de este enfoque radica en:

• Proporcionando una estructura de proyecto escalable , con un archivo de plantilla para cada uno.
• Introducir el uso de un archivo de configuración que maneja todos los hiperparametros relacionados con un determinado problema.
• Incrustar ejemplos de varios problemas dentro de la plantilla, donde puede ejecutar cualquiera de ellos de forma independiente con un solo cambio en el nombre del archivo de configuración.
• Tutoriales para comenzar.

Tutoriales:

Estamos proporcionando una serie de tutoriales para comenzar

• Tutorial de comenzar: donde proporcionamos una guía sobre los pasos principales para comenzar su proyecto.
• Tutorial MNIST: Aquí tomamos un modelo NN ya implementado en MNIST y lo adaptamos a nuestra estructura de plantilla.

Contribución:

• Queremos que esta plantilla sea un lugar central para muchas variaciones de los conocidos modelos de aprendizaje profundo de Pytorch.
• Estamos dando la bienvenida a cualquier contribución de la comunidad que haga realidad, por lo que instamos a las personas a agregar sus modelos Pytorch a la plantilla.
• También estamos dando la bienvenida a los cambios o discusiones propuestos sobre el patrón de diseño de clase utilizado en este proyecto.

Diagrama de clase de plantilla:

Repos referenciado:

1. Erfnet: un modelo para la segmentación semántica , entrenado en Pascal VOC
2. DCGAN: redes adverseriales generativas convolucionales profundas, ejecutadas en el conjunto de datos Celeba.
3. Condensenet: un modelo para la clasificación de imágenes , capacitado en el conjunto de datos CIFAR10
4. DQN: Modelo de red Pro Deep Q, un ejemplo de aprendizaje de refuerzo , probado en Cartpole-V0
5. Recae: Autoencoder basado en redes neuronales recurrentes para la detección de anomalías de series temporales , ejecutándose en el conjunto de datos ECG5000

Resumen de la migración de reposos:

1. Comenzamos por DCGAN, agregando sus configuraciones personalizadas en el archivo JSON. DCGAN tiene modelo de generador y discriminador, por lo que no tiene un solo archivo de modelo.
2. Luego, agregamos Condensenet, donde era necesario crear una carpeta de bloques personalizado dentro de la carpeta de modelos para incluir las definiciones de capas personalizadas dentro del modelo.
3. Después de eso, agregamos el proyecto DQN, donde todas las clases relacionadas con el entorno se han agregado a los UTIS. También agregamos la selección de acción y la optimización del modelo al agente de entrenamiento.
4. Erfnet fue el último ejemplo en unirse a la plantilla; El agente, el modelo y los UTIS se han agregado a sus carpetas sin conflictos.

Esto es para garantizar que nuestra estructura de proyecto propuesta sea compatible con diferentes problemas y pueda manejar todas las variaciones relacionadas con cualquiera de ellos.

Estructura de repo:

Después de agregar todos nuestros ejemplos, el repositorio tiene la siguiente estructura:

 ├── 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

Requisitos:

 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

Trabajo futuro:

Estamos planeando agregar más ejemplos a nuestra plantilla para incluir varias categorías de problemas. A continuación, vamos a incluir lo siguiente:

• Mobilenetv2
• visual-interacción-networks-pytorch
• Variacional-AutoCoder-Pytorch

Licencia:

Este proyecto tiene licencia bajo la licencia MIT: consulte el archivo de licencia para obtener más detalles