其他分享
首页 > 其他分享> > Easy-Classification-分类框架设计

Easy-Classification-分类框架设计

作者:互联网

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。

1.1 框架功能

1.1.1 数据加载

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。

1.1.3 优化器

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。

 

标签:框架设计,框架,网络模型,数据加载,优化器,函数
来源: