README
使用指南
-
运行path.py，生成一些必备的文件夹
-
运行downloader.py下载图片到data/original/train目录下
-
（可选）运行segmentation.py，将下载的图片进行人像分割
-
编写模型代码
- 参照下方的 “模型”
-
运行model文件，例如运行 model/estimator/resnet1/resnet50.py
-
运行tensorboard查看训练状况
通过cmd进入到model下的record目录，然后执行如下命令，并在浏览器中输入打印的URL
tensorboard --logdir=.
模型
目录结构
-
model下分为estimator和keras，分别代表两种套API相关的模型
-
estimator下每个文件代表一个模型，模型下的record目录用于存储训练结果
-
keras下每个目录代表一类模型，然后问一个文件夹中包括了该类模型的不同实例（不同的超参数、不同的局部结构、不同的优化方式、不同的数据类型）。每个实例均有一个record目录用于保存所有结果。
|------baseline
|-----1
|------record
|------baseline.py
|------resnet50
|-----1
|------record
|------resnet50.py
|---------2
|------record
|------resnet50.py
|---------3
|------record
|------resnet50.py
keras下的目录结构为每一套超参数、细微的改动都创建一个新的文件夹，确保了代码和训练结果的一一对应。
模型编写
模型编写
如果使用keras + estimator API那么可参考model/estimator/resnet50/resnet1/resnet50.py
- 编写keras模型，并加载预训练模型
- keras转为estimator，并配置checkpoint（模型自动保存）、summary（模型可视化间隔）
- 修改模型的配置ModelConfig()，包含训练数据集、k-fold划分、epoch等，ModelConfig会自动保存到recored/n/目录下，记录每次训练的详细参数和起止时间。这样在不停修改参数并增量地训练时，可用对照Tensorboard曲线和时间段来分析参数的效果。
如果使用keras API那么可参考model/keras/baseline/1/baseline.py