提高模型复用性，让模型对应的配置更加清晰，代码书写条理
学习自https://zhuanlan.zhihu.com/p/409662511

Project
├── checkpoints	# 存放模型
├── data 		# 定义各种用于训练测试的数据集 
├── eval.py		# 测试代码
├── loss.py		# 定义的各种loss
├── metrics.py	# 定义约定俗成的评价指标
├── model/src		# 定义实验中的模型
├── options.py	# 定义各种实验的参数，以命令行形式传入
├── README.md	# 介绍report
├── scripts		# 训练、测试脚本（训练、测试的运行命令）
├── train.py	# 训练代码
└── utils		# 训练工具代码

Checkpoints

训练好的模型放在checkpoints里面，通常保存训练过程中的中间结果。主要包括：模型权重文件、模型配置文件、优化器和日志文件等。

Scripts

每次训练或者测试用的脚本命令。

• 训练脚本：用于执行模型训练的脚本文件，通常包括定义模型、加载数据、设置损失函数和优化器、执行循环等步骤。
• 评估脚本：用于评估模型性能的脚本文件。加载训练好的模型或者指定的checkpoints文件，对模型在测试集或验证集上的表现进行评估。
• 预测脚本：……
• 数据预处理脚本：用于数据预处理和准备的脚本文件。

options.py

• 定义实验参数。

def parse_common_args(parser):
    parser.add_argument('--model_type', type=str, default='base_model', help='used in model_entry.py')
    parser.add_argument('--data_type', type=str, default='base_dataset', help='used in data_entry.py')
    parser.add_argument('--save_prefix', type=str, default='pref', help='some comment for model or test result dir')
    parser.add_argument('--load_model_path', type=str, default='checkpoints/base_model_pref/0.pth', help='model path for pretrain or test')
    parser.add_argument('--load_not_strict', action='store_true', help='allow to load only common state dicts')
    parser.add_argument('--val_list', type=str, default='/data/dataset1/list/base/val.txt', help='val list in train, test list path in test')
    parser.add_argument('--gpus', nargs='+', type=int)
    return parser
 
def parse_train_args(parser):
    parser = parse_common_args(parser)
    ...
    return parser
 
def parse_test_args(parser):
    parser = parse_common_args(parser)
    ...
    return parser

• 路径配置：定义数据集、模型、日志文件等路径

DATA_PATH = '/path/to/dataset/'
MODEL_PATH = '/path/to/models/'
LOG_PATH = '/path/to/logs/'

• 数据处理

IMAGE_SIZE = (256, 256)
DATA_AUGMENTATION = True

• 加载模型超参

LEARNING_RATE = 0.001
BATCH_SIZE = 32
MAX_EPOCHS = 10

• 其他配置

train.py

主要任务是把整体写好的内容串起来

• 导入必要的库和模块

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
from model import MyModel  # 假设模型定义在model.py中
from options import *  # 导入配置选项

• 数据加载和预处理

# 定义数据预处理和增强方式
transform = transforms.Compose([
    transforms.Resize(IMAGE_SIZE),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载数据集
train_dataset = datasets.ImageFolder(root=DATA_PATH, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=BATCH_SIZE, shuffle=True)

• 模型定义和初始化

# 定义模型
model = MyModel()
# 如果有预训练模型，加载参数
# model.load_state_dict(torch.load(PRETRAINED_MODEL_PATH))

• 定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=LEARNING_RATE)

• 保存模型

torch.save(model.state_dict(), MODEL_SAVE_PATH)

• 可选的评估和测试

# 评估模型
model.eval()
with torch.no_grad():
    # 执行评估代码