基于fastai的分类网络
16lz
2021-01-22
classify.fastai😏
Classifier based on fastai
欢迎访问：https://github.com/pprp/classify.fastai/
字符识别分类器-基于fastai进行构造
以往的fastai教程都是很简单的几行进行一个模型的训练，对初学者来说看起来很简单。但是仅仅训练一个分类的网络是远远不够的，我们还需要各种指标对分类的效果进行评判。
这个库集中了目前比较好的几篇中文博客，并且在此基础上查阅了fastai的API教程（😲但是不得不说 感觉做的没有keras对于tensorflow那样好用，另外用的人感觉不是很多。）进行综合，主要是基于jupyter notebook进行编辑的，py文件也有，但是还不完善，欢迎pull request 😄
环境配置😋
建议使用anaconda3进行环境的配置和管理，目前使用的fastai以及pytorch都是最新版本的。链接
pip安装
pip install fastai pip install jupyter notebook jupyter_contrib_nbextensions
conda安装
conda install jupyter notebook conda install -c conda-forge jupyter_contrib_nbextensions
之后启动命令
jupyter notebook然后在网页中打开并运行即可。
主要功能😝
- 提供了数据，在data文件夹下，解压即可使用
- 如果需要跑自己的分类器，直接替换train,valid等文件夹下的内容即可。
- 格式为：每个类别一个文件夹，文件夹内放置图片。对命名没有要求。
- 查找合适的learning rate
- 该功能主要由fastai提供
- 这个最低点就是合适的loss取值。（ps:有时候感觉不准）
- 训练模型只需要通过参数传递即可
- vgg16_bn,vgg19_bn,alexnet
- resnet18,resnet34,resnet50,resnet101,resnet152
- squeezenet1_0,squeezenet1_1
- densenet121,densenet169,densenet201,densenet161
- 训练过程中实时画train-valid-loss图（jupyter notebook很强大）
- 像这种图就属于比较完美的，证明learning rate以及数据集安排都很合适。
- 此外还会展示实时loss-error_rate-accracy等
- 完成训练后loss可视化
- 训练过程learning rate以及momentum可视化
- 查看主要有哪些图像画错了top error
- 查看混淆矩阵
- 查看所有类别
- 将数据集部分内容可视化
说明😎
其中可能有很多内容无法运行，由于本人也是初学者，仅通过看博客与API进行fastai的学习，朋友们有时间可以看fastai提供的课程，相信在里边会有详细的讲解。:hugs:
目前主要内容集中于train_notebook.ipynb文件中欢迎大家进行fork,star,pull requests。
待完成工作:thinking:
[x] 训练模型保存。
- [ ] 模型结构的设计与改动（尝试了一点但是没有解决bug）。
- [ ] 训练模型的加载与预测。
- [ ] 更好的可视化支持。
[ ] 更多的分类性能指标。
更多相关文章
- 【懒懒的Tensorflow学习笔记三之搭建简单的神经网络模型】
- 如何使用python 3检查文件夹是否包含文件
- 使用python api递归计算每个Dropbox文件夹大小
- Django代理模型返回父模型
- Tensorflow：恢复图形和模型，然后在单个图像上运行评估
- [caffe(二)]Python加载训练caffe模型并进行测试2
- CentOS7.2 通过nfs设置共享文件夹
- linux下touch命令也可以一次创建多个文件和mkdir一次创建多个文
- 我应该在哪里添加Yocto位烤任务来创建工作文件夹符号链接?