arabic font classification
v0.1.0
该代码的结构和一些基本部分是根据完整的堆栈深度学习（FSDL）改编的。
您可以在随附的演示中查看此项目，并在此笔记本中运行代码。
/cloud文件夹模仿将数据存储在云中。在现实世界设置中，数据集将存储在云存储服务（例如Amazon S3）上。实际代码属于/codebase文件夹中。培训代码（下/codebase/training ）与包括模型，网络，数据集和其他实用程序（Unewer /codebase/font_classifier ）在内的所有内容之间存在明显的分离。这种分离使系统部署变得更加清洁。
如FSDL课程中所述，为了控制数据，我们不会在GIT中检查实际图像。相反，创建一个JSON文件，每个数据实例包含一个条目。每个条目都由数据实例URL（云存储），标签和其他元数据组成，如果相关。该JSON文件是GIT跟踪的内容，因此我们可以通过检查相应的GIT commit以所需的版本获取数据。随着数据集变得更大，JSON文件的大小变得更大，在这种情况下，可以使用git-lfs。这种处理数据的好处：
可重复性：由于它是通过GIT跟踪的，因此我们可以获得一周前或一年前使用的确切数据。
扩展性：可以扩展数据集以合并新数据，同时确保永远不要将先前的测试集实例用作培训实例，反之亦然。
可移植性：减少项目所需的磁盘空间，从而使其可在GIT或任何其他方式上移植。
在本地运行代码：
安装要求：
$ pip install -r requirements.txt从发布到 /云文件夹中获取并提取数据：
$ wget ' https://github.com/mhmoodlan/arabic-font-classification/releases/download/v0.1.0/rufa.tar.gz ' -O ./cloud/rufa.tar.gz
$ cd /cloud && tar -xzf ' rufa.tar.gz '在/cloud ://0.0.0.0.0:8000/：
$ cd /cloud && python -m http.server运行实验：
$ cd /codebase/code && export PYTHONPATH=. && python training/run_experiment.py --save
' {"dataset": "RuFaDataset", "model": "FontModel", "network": "cnn", "train_args": {"epochs": 6, "mode": "test", "validate_mismatch": "False"}} ' 'train_args'中的'mode'配置采用两个值之一： 'val'或'test' 。
在'val'模式下：仅对合成数据训练和验证该模型。如果'validate_mismatch'设置为真，则在真实数据的子集上执行更多数据不匹配验证。
在'test'模式下：对整个合成数据 +数据'val'匹配验证中使用的真实数据的一部分进行了训练。训练后，在其余的实际数据上报告了最终的概括错误。
此命令应输出类似于以下内容的内容：
Epoch 1/6
1254/1254 [==============================] - 119s 95ms/step - loss: 0.3185 - accuracy: 0.8751
Epoch 2/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0539 - accuracy: 0.9918
Epoch 3/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0386 - accuracy: 0.9953
Epoch 4/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0270 - accuracy: 0.9976
Epoch 5/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0264 - accuracy: 0.9973
Epoch 6/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0246 - accuracy: 0.9979
Training took 323.854642 s
In test mode, mismatch data isn't validated since it's used during training.
14/14 [==============================] - 0s 10ms/step - loss: 0.2316 - accuracy: 0.9712
Test score: [0.2316255271434784, 0.971222996711731]
