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
- 文件夹形式
- 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。1.1.3 优化器
- Adam
- SGD
- AdaBelief
- AdamW
1.1.4 学习率衰减
- ReduceLROnPlateau
- StepLR
- MultiStepLR
- SGDR
1.1.5 损失函数
- 直接调用PyTorch相关的损失函数
- 交叉熵
- Focalloss
1.1.6 其他
- Metric(acc, F1)
- 训练结果acc,loss过程图片保存
- 交叉验证
- 梯度裁剪
- Earlystop
- weightdecay
- 冻结/解冻 除最后的全连接层的特征层
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。 |