1. 框架介绍 Easy-Classification是一个应用于分类任务的深度学习框架，它集成了众多成熟的分类神经网络模型，可帮助使用者简单快速的构建分类训练任务。 框架源代码：https://github.com/wuya11/easy-classification
1.1 框架功能
- 其它自定义形式，在项目应用中，参考案例编写DataSet自定义加载。如基于配置文件，csv,路径解析等。
1.1.2 扩展网络 本框架扩展支持如下网络模型，可在classification_model_enum.py枚举类中查看具体的model。
- Resnet系列，Densenet系列，VGGnet系列等所有[pretrained-models.pytorch](https://github.com/Cadene/pretrained-models.pytorch)支持的网络
- [Mobilenetv2](https://pytorch.org/docs/stable/torchvision/models.html?highlight=mobilenet)
- [Mbilenetv3](https://github.com/kuan-wang/pytorch-mobilenet-v3)
- ShuffleNetV2，[MicroNet](https://github.com/liyunsheng13/micronet)
- [EfficientNet](https://github.com/lukemelas/EfficientNet-PyTorch)
- [Swin Transformer](https://github.com/microsoft/Swin-Transformer)
- [ConvNeXt](https://github.com/facebookresearch/ConvNeXt)
1.1.3 优化器
- [Ranger](https://github.com/lessw2020/Ranger-Deep-Learning-Optimizer)
1.1.4 学习率衰减
1.1.5 损失函数
1.1.6 其他
1.2 框架设计 Easy-Classification是一个简单轻巧的分类框架，目前版本主要包括两大模块，框架通用模块和项目应用模块。为方便用户快速体验，框架中目前包括简单手写数字识别和验证码识别两个示例项目。
1.2.1 通用模块设计 Easy-Classification通用模块整体结构如下：
通用模块核心类/文件介绍说明：
| 目录 |
子项 |
功能说明 |
扩展说明 |
| config |
|
框架基础配置目录 |
|
| |
weight |
预训练权重模型存储目录 |
各种神经网络的模型文件，下载后存储在该目录下 |
| |
classification_model_enum.py |
列举出当前分类框架，目前支持的分类神经网络模型。 枚举中的神经网络名称，与配置文件中的名称一样，表示加载对应的网络模型。 |
后续新增网络时，需在该枚举类中注入 |
| project |
|
分类框架下的项目应用模块，详细使用参考后续项目应用模块。 |
分类项目目录名称如：验证码识别，简单手写数字识别 |
| universe |
|
框架通用模块主目录。 |
后续通用的功能，均可放在该目录下。 |
| |
data_load |
基础数据加载类 |
加载训练数据，验证数据，预测数据等 |
| |
data_load_service.py |
基于配置文件，加载配置路径下的基础数据，返回对应的张量信息。 不同的分类任务，用户构建DataSet模式不同，该模块提供函数，接收用户构建的DataSet对象。做统一数据加载处理。 |
目前支持目录模式加载。 |
| |
normalize_adapter.py |
归一化配置类 |
其他新增网络的归一化参数，可配置在此类中。 |
| |
model |
定义目前框架中，支持的所有分类网络模型。 |
新增网络放入到model_category目录下。 |
| |
model_service.py |
分类网络模型的对外暴露类，基于配置文件，可指定具体使用哪个分类网络，项目应用时，只需调用moel_service。 moel_service.py:代理者的角色。类似于java中的代理模式。 |
新增的分类网络，要注入到moel_service.py中，对所有分类网络的统一拦截，加日志等功能可在model_service中实现。 |
| runner_config |
|
训练配置的目录，定义训练过程中的一些配置信息。 |
定义如优化器，学习率调整，损失函数等。 深度学习运行前，配置相关的模块均可放在该目录下。 |
| |
optimizer_adapter.py |
优化器适配类，根据配置文件，可返回一个具体的优化器。 |
常用优化器如：Adam，AdamW，SGD，AdaBelief，Ranger |
| |
loss_function_adapter.py |
自定义损失函数适配类，可基于配置文件，返回一个具体的损失函数。 |
损失函数也可使用 PyTorch中提供的。 |
| |
scheduler_adapter.py |
学习率调整适配类，可基于配置文件，返回具体的调整类。 |
扩展支持ReduceLROnPlateau，StepLR，MultiStepLR, SGDR |
| utils |
utils.py |
常用的工具函数，如加载文件，全连接处理等 |
一些项目通用的工具类函数，如保存acc,loss等记录。 |
配置文件是设置在具体应用项目的目录下，配置文件可根据项目需求自定义编写，但每个配置文件需包含如下关键key字段：
| key字段 |
解释 |
参考值 |
| model_name |
分类网络模型名称，如mobilenetv3,efficientnet_advprop,具体值参考ClassificationModelEnum枚举类中定义的值 |
efficientnet_advprop |
| GPU_ID |
多GPU时，设置的GPU编码，无GPU时，该值设置为空 |
0 |
| class_number |
目标输出分类数量，如简单数字识别，输出值10 |
10 |
| random_seed |
随机数种子 |
43 |
| num_workers |
DataLoad加载数据时，是否启用多个线程加载数据 |
4 |
| train_path |
训练图像对应的存储目录地址 |
"data/train" |
| val_path |
验证图像对应的存储目录地址 |
"data/val" |
| test_path |
预测图像对应的存储目录地址 |
"data/test" |
| pretrained |
预加载模型权重的文件存储路径，无值时，设置为空‘’ |
'../../out/mobilenetv3.pth' |
| save_best_only |
训练时，是否只保存最优的模型 |
true |
| target_img_size |
图像转换为网络模型对应的目标图像尺寸，如mobilenet v3,接收图为：[224,224] |
[224,224] |
| learning_rate |
初始化学习率值 |
0.001 |
| batch_size |
训练时，DataLoad一次加载数据的批次数量 |
64 |
| test_batch_size |
预测时，DataLoad一次加载数据的批次数量 |
1 |
| epochs |
训练总次数 |
100 |
| optimizer |
优化器类型，枚举值：Ranger，AdaBelief，SGD，AdamW，Adam |
SGD |
| scheduler |
学习衰减率调整策略，枚举值：default，step，SGDR，multi |
default |
| loss |
损失函数，若使用pytorch提供的损失函数，可不管该值。使用框架提供的需配置。枚举值：CE,CE2,Focalloss |
|
| early_stop_patient |
提前结束，当后续训练轮次出现N次，acc小于历史值时，就提前结束 |
7 |
| model_path |
模型预测时，训练生成的权重文件存储路径 |
'../../out/mobilenetv3_e22_0.97.pth' |
| dropout |
为了防止过拟合，设置值，表示随机多少比例的神经元失效,取值服务[0,1] |
0.5 |
| class_weight |
训练数据类别分配不均匀，防止过拟合等情况出现，设置的惩罚值。默认值设置为None。 |
调用：n.CroEntropyLoss ，设置不同类别的惩罚值，三个类别，如[0.8,0.1,0.1]。 |
| weight_decay |
在与梯度做运算时，当前权重先减去一定比例的大小。 |
0.01 |
1.2.2 项目应用模块设计 Easy-Classification项目应用模块整体结构如下：
项目应用模块核心类/文件介绍说明：
| 目录 |
子项 |
功能说明 |
扩展说明 |
| mnist_caassify |
|
分类项目主目录 |
表示一个具体的分类项目，本例为简单手写数字识别 |
| |
data |
该项目的训练数据，验证数据，推理数据等 |
与训练流程，推理流程等相关的数据，包括图片和label等配置信息。 |
| |
output |
项目的输出结果 |
训练过程中的acc,loss图，模型权重文件，预测结果等，全部输出到这个目录。 |
| |
scripts |
构建训练数据，验证数据等的脚本文件 |
基于脚本文件，生产对应的训练数据，验证数据到data目录下。主要功能如： 1.生产图片，生成label; 2.解析文件，并基于图像做一定的前期调整。清洗训练数据，提前加工部分数据。 |
| |
service |
分类任务，主要的项目应用模块，用户自定义代码存储目录。 |
|
| |
xxx_config.py |
分类项目的配置文件，每一个分类项目都存在一个单独的配置文件。 |
常用的配置参数，如指定使用什么模型，图像大小调整等，具体参考案例的配置文件 |
| |
xxx_dataset.py |
分类项目的数据加载类 |
每个分类任务的数据加载模式不一定完全一样，该模块属于用户自定义模块。可做图像的预处理，最终将图像转换为张量信息。 |
| |
xxx_runner_service.py |
分类项目的运行类 |
包括配置运行参数，训练流程定义，预测流程处理等。 |
| |
train.py,prectict.py |
训练类，预测类 |
主要是加载配置文件，获取训练数据，加载网络模型，初始化训练过程的配置参数，调用训练函数开始训练。 |
1.3 框架使用
1.3.1 基础使用 用户在简单使用Easy-Classification分类框架时，只需编写项目应用模块的代码，参考给出的两个案例，结合项目自身情况，需做如下步骤处理：
- 在project 目录下，创建一个目录作为项目名称，目录名称命名为项目名称，如mnist_classsify。
- 在mnist_classsify目录下，创建一个data目录，用于存储训练，验证，推理等相关的基础数。
- scripts目录，根据实际情况，若项目提前准备好数据了，可不编写。若需要通过一定的脚本预处理训练数据，可在该目录下编写脚本处理。
- 在mnist_classsify目录下，创建一个service目录。
- 编写配置文件，xxx_config.py，配置文件的key值一定要和案例中的配置key名称一样（不然通用模块无法加载）。
- 编写DataSet自定义类,xxx_dataset.py，参考案例中的DataSet类，编写自定义Dataset类时，初始化参数需定义为source_img, cfg。否则数据加载通用模块，data_load_service.py模块会报错。（source_img :传入的图像地址信息集合。基于配置文件，加载文件的路径信息。 cfg：传入的配置类,是配置文件xxx_config.py。）
- 编写项目运行类，xxx_runner_service.py，参考案例中的项目运行类，注意输出张量信息处理，acc计算等根据实际情况调整。
- 编写train.py,prectict.py，参考案例中的代码，加载数据时，传入编写的xxx_dataset类，调用xxx_runner_service.py中提供的训练函数，预测函数即可。
1.3.2 扩展使用 目前框架的功能还比较基础，若发现框架中有不支持的网络模型，或其他的一些优化器，学习率调整等，均可通过调整源码的模式自定义扩展增强。源码中关键类的功能参考章节1.2.1中的介绍。如自定义一个网络模型可通过如下流程：
- 在model/model_category目录下，添加对应的网络模型如：test_model.py。
- 在config/classification_model_enum.py文件中，添加新增的网络模型。
- 在model_service.py中，注入新增的网络模型。
- 在配置文件中，配置使用的模型名称，如：test_model。
2. 框架案例介绍
- 简单手写数字识别-参考文章：https://www.cnblogs.com/wlandwl/p/deep_learn_mnist.html
- 验证码识别-参考文章：https://www.cnblogs.com/wlandwl/p/deep_learn_captcha.html
3. 参考文献 1. [albumentations](
https://github.com/albumentations-team/albumentations) 2. [warmup](
https://github.com/ildoonet/pytorch-gradual-warmup-lr) 3. [pytorch-grad-cam](
https://github.com/jacobgil/pytorch-grad-cam) 4. [ 易大师](
https://github.com/fire717/Fire/blob/main/LICENSE)
标签： #数据
#文件
#模型
评论列表