通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。
- 参加项目竞赛必须实现
model.py
中的predict_all
方法,系统才能给出最终分数。
是项目的配置文件,项目目录下必须存在这个文件,是项目运行的依赖。
样例代码中已做简单实现,可供查考。
处理数据的输入输出文件,把通过csv文件返回的数据,处理成能让程序识别、训练的矩阵。
可以自己定义输入输出的方法名,在
app.yaml
中声明即可。def input_x(self, image_path): ''' 参数为csv中作为输入x的一条数据,会被Dataset类中的next_batch()方法多次调用。 :params: 输入的数据列表 :return: 返回矩阵 ''' pass def input_y(self, label): ''' 参数为csv中作为输入y的一条数据,会被Dataset类中的next_batch()方法多次调用。 :params: 数据标签列表 :return: 返回矩阵 ''' pass def output_y(self, data): ''' 验证时使用,把模型输出的y转为对应的结果 :param data: 预测返回的数据 :return: 返回预测的标签 ''' pass
样例代码中已做简单实现,可供查考。
程序入口,编写算法,训练模型的文件。在该文件中实现自己的算法。
通过
dataset.py
中的next_batch
方法获取训练和测试数据。# 数据获取辅助类 dataset = Dataset() x_train, y_train, x_test, y_test = dataset.next_batch(BATCH)通过
model.py
中的save_model
方法保存模型# 模型操作辅助类 model = Model(dataset) model.save_model(YOU_NET)如果使用
PyTorch
框架,需要在net.py
文件中实现网络。其它用法同上。
样例代码中已做简单实现,可供查考。
训练好模型之后可以继承
flyai.model.base
包中的base
重写下面三个方法实现模型的保存、验证和使用。def predict(self, **data): ''' 使用模型 :param data: 模型的输入的一个或多个参数 :return: ''' pass def predict_all(self, datas): ''' (必须实现的方法)评估模型,对训练的好的模型进行打分 :param datas: 验证集上的随机数据,类型为list :return outputs: 返回调用模型评估之后的list数据 ''' pass def save_model(self, network, path=MODEL_PATH, name=MODEL_NAME, overwrite=False): ''' 保存模型 :param network: 训练模型的网络 :param path: 要保存模型的路径 :param name: 要保存模型的名字 :param overwrite: 是否覆盖当前模型 :return: ''' self.check(path, overwrite)
样例代码中已做简单实现,可供查考。
对训练完成的模型使用和预测。
可以设置数据文件、模型文件的存放路径。
该文件在FlyAI开源库的
flyai.dataset
包中,通过next_batch(BATCH)
方法获得x_train
y_train
x_test
y_test
数据。FlyAI开源库可以通过
pip3 install -i https://pypi.flyai.com/simple flyai
安装。
Win+R 输入cmd
首先进入到项目对应的磁盘中,然后执行
cd path\to\project
Windows用户使用 flyai.exe
下载完成之后,执行下列命令并使用微信扫码登录
flyai.exe init
登录成功之后,会自动下载运行所需环境
执行
flyai.exe test
安装项目所需依赖,并运行 main.py
如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可
项目中如有新的引用,需加入到 requirements.txt 文件中
在终端下执行
flyai.exe train
返回sucess状态,代表提交离线训练成功
默认训练成功后不公开在项目排行榜中,公开项目需在提交训练时执行
flyai.exe train -p=1
完整训练设置执行代码示例:
flyai.exe train -p=1 -b=32 -e=100
通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 ,公开提交模型
cd /path/to/project
Mac和Linux用户使用 ./flyai 脚本文件
授权flyai脚本
chmod +x ./flyai
下载完成之后,执行下列命令并使用微信扫码登录
./flyai init
登录成功之后,会自动下载运行所需环境
执行
./flyai test
安装项目所需依赖,并运行 main.py
如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可
项目中如有新的引用,需加入到 requirements.txt 文件中
在终端下执行
./flyai train
返回sucess状态,代表提交离线训练成功
训练结束会以微信和邮件的形式发送结果通知
默认训练成功后不公开在项目排行榜中,公开项目需在提交训练时执行
./flyai train -p=1
完整训练设置执行代码示例:
./flyai train -p=1 -b=32 -e=100
通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 ,公开提交模型
扫描下方二维码,及时获取FlyAI最新消息,抢先体验最新功能。