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。
- Resnet系列，Densenet系列，VGGnet系列等所有[pretrained-models.pytorch]支持的网络
- ShuffleNetV2，[MicroNet]
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。
|
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
框架设计与案例参考文档：
3. 参考文献
2. warmup
4. 易大师