Pytorch Project Template

Template proyek Pytorch sedang disponsori oleh alat berikut; Tolong bantu mendukung kami dengan melihat dan mendaftar ke uji coba gratis

Template Proyek Pytorch

Menerapkan proyek Pytorch Anda dengan cara yang cerdas.

Templat yang dapat diskalakan untuk proyek Pytorch, dengan contoh -contoh dalam segmentasi gambar, klasifikasi objek, pembelajaran GAN dan penguatan.

Mengingat sifat proyek pembelajaran yang mendalam, kami tidak mendapatkan kesempatan untuk berpikir banyak tentang struktur proyek atau modularitas kode. Setelah bekerja dengan berbagai proyek pembelajaran mendalam dan menghadapi masalah dengan organisasi file dan pengulangan kode, kami datang dengan struktur proyek modular untuk mengakomodasi proyek Pytorch. Kami juga ingin memberikan basis untuk berbagai model Pytorch untuk dibangun oleh masyarakat .

Ini adalah pekerjaan bersama antara Hager Rady dan Mo'men Abdelrazek

Daftar isi:

• Template Proyek Pytorch
  • Mengapa template ini?
  • Tutorial
  • Kontribusi
  • Diagram kelas template
  • Repo yang direferensikan
  • Ringkasan migrasi repo
  • Struktur repo template
  • Persyaratan
  • Pekerjaan di masa depan
  • Lisensi

Mengapa template ini?

Kami mengusulkan garis dasar untuk proyek Pytorch apa pun untuk memberi Anda awal yang cepat, di mana Anda akan mendapatkan waktu untuk fokus pada implementasi model Anda dan kami akan menangani sisanya. Kebaruan pendekatan ini terletak pada:

• Memberikan struktur proyek yang dapat diskalakan , dengan file template untuk masing -masing.
• Memperkenalkan penggunaan file konfigurasi yang menangani semua hiper-parameter yang terkait dengan masalah tertentu.
• Menyematkan contoh dari berbagai masalah di dalam templat, di mana Anda dapat menjalankannya secara mandiri dengan satu perubahan dalam nama file config.
• Tutorial untuk Anda mulai.

Tutorial:

Kami menyediakan serangkaian tutorial untuk memulai

• Memulai Tutorial: Di mana kami memberikan panduan tentang langkah -langkah utama untuk memulai proyek Anda.
• MNIST Tutorial: Di sini kami mengambil model NN yang sudah diimplementasikan pada MNIST dan menyesuaikannya dengan struktur template kami.

Kontribusi:

• Kami ingin template ini menjadi tempat sentral untuk banyak variasi model pembelajaran mendalam Pytorch yang terkenal.
• Kami menyambut setiap kontribusi dari komunitas yang akan mewujudkan ini sehingga kami mendesak orang untuk menambahkan model Pytorch mereka ke dalam templat.
• Kami juga menyambut setiap perubahan atau diskusi yang diusulkan tentang pola desain kelas yang digunakan dalam proyek ini.

Diagram kelas template:

Repo yang direferensikan:

1. ERFNET: Model untuk segmentasi semantik , dilatih di Pascal VOC
2. DCGAN: Jaringan permusuhan generatif konvolusional yang dalam, dijalankan pada dataset Celeba.
3. Condensenet: Model untuk klasifikasi gambar , dilatih pada dataset CIFAR10
4. DQN: Model Jaringan Q Deep, Contoh Pembelajaran Penguatan , Diuji pada Cartpole-V0
5. Recae: Autoencoder berbasis jaringan saraf berulang untuk deteksi anomali seri waktu , dijalankan pada dataset EKG5000 EKG5000

Ringkasan migrasi repo:

1. Kami mulai oleh DCGAN, menambahkan konfigurasi khusus ke dalam file JSON. DCGAN memiliki model generator dan diskriminator sehingga tidak memiliki file model tunggal.
2. Kemudian, kami menambahkan condensenet, di mana perlu membuat folder blok khusus di dalam folder model untuk memasukkan definisi untuk lapisan khusus dalam model.
3. Setelah itu, kami menambahkan proyek DQN, di mana semua kelas yang terkait dengan lingkungan telah ditambahkan ke util. Kami juga menambahkan pemilihan tindakan dan optimasi model ke dalam agen pelatihan.
4. Erfnet adalah contoh terakhir untuk bergabung dengan templat; Agen, model, dan util telah ditambahkan ke folder mereka tanpa konflik.

Ini untuk memastikan bahwa struktur proyek yang kami usulkan kompatibel dengan masalah yang berbeda dan dapat menangani semua variasi yang terkait dengan salah satu dari mereka.

Struktur repo:

Setelah menambahkan semua contoh kami, repo memiliki struktur berikut:

 ├── 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

Persyaratan:

 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

Pekerjaan di masa depan:

Kami berencana untuk menambahkan lebih banyak contoh ke dalam templat kami untuk memasukkan berbagai kategori masalah. Selanjutnya kita akan memasukkan yang berikut:

• MobileNetv2
• visual-interaksi-networks-pytorch
• Variasional-Autoencoder-Pytorch

Lisensi:

Proyek ini dilisensikan di bawah lisensi MIT - lihat file lisensi untuk detailnya