blastml是一个快速的机器学习原型库
BlastML的Python项目详细描述
blastml
blastml是一个快速的机器学习原型库
使用blastml，您可以轻松地创建cnn网络的原型（nlp将在将来添加）。 blastml使用keras（tflow）作为下划线库，但它比keras本身要简单得多。
项目
blastml允许您创建一个新项目，该项目旨在帮助 整个机器学习成单文件夹结构。
如何创建新项目：
note：在对我们的数据进行任何训练/推断之前，最好确保 我们先收集资料。blastml使用此数据集格式：
root/
----project/
---------dataset/
------------Class1/
----------------File1
----------------File2
----------------File3
----------------<...>
------------Class2/
----------------File1
----------------File2
----------------File3
----------------<...>
------------<...>
一旦以该格式设置数据集，并指定
在项目配置设置中正确的路径，只需调用
create_project（）方法在您的网络实例中。
bt默认，blastml使用标准的80:20训练、推理、验证文件分发。
一旦数据处理完毕，您就可以使用
你选择的CNN。
卷积神经网络
blastml包含各种知名和经过测试的cnn的实现，例如：
- 简单（基本CNN）
- VGG-16
- resnet-18
CNN建设者
blastml包含简单的cnn构建块，允许您集中精力构建和测试自己的cnn 而不会在函数名、参数和其他混合设置上花费太多时间。 要构建自定义网络，只需调用create（）函数。
自定义CNN示例：
Net.create()
.add_2d(filters=32, kernel=(3, 3), activation="relu", padding='same', input_shape=(224, 224, 3))
.add_2d(filters=32, kernel=(3, 3), activation='relu')
.add_max_pooling()
.add_dropout()
.add_basic_block()
.add_basic_block()
.add_flatten()
.add_dense(size=512, activation='relu', name="layer_features")
.add_dense(size=cfg.get_num_classes(), activation='softmax', name="layer_classes")
.show_model_summary()
.compile()
.train()
.evaluate()
如何使用blastml
培训和评估
blastml使它非常易于使用，您只需要：
- 使用数据创建数据集文件夹：
- 创建a/train文件夹
- 创建/验证文件夹
- 创建/推断文件夹
- 创建a/model文件夹（保存模型的位置）
- 创建blastml配置（cfg）：
- 设置训练/验证/推理/模型文件夹。
- 输入纪元数。
- 输入批数（要处理每个批的图像）。
- 输入类数。
- 输入线程数（如果启用多线程）。
- 选择优化器（例如：adam、sgd、rmsprop等等）。
- 选择“损失函数”（例如：稀疏分类交叉熵、二进制交叉熵等）。
- 选择型号名称
- 类模式：稀疏、分类、二进制（分类类型）
- [可选]启用全局保存模式：
- 保存模型
- 节省重量
- 保存历史记录
- 选择增强参数
- 创建blastml（cfg）实例（将配置附加到blastml）
- 把CNN连接到BLASTML。
- 编辑CNN。
- 训练（获得准确性+模型损失+验证准确性+损失）。
- 评估（查看模型如何根据从未见过的数据进行评估）。
训练很简单：
net = BlastML(cfg=cfg)
net.vgg16().compile().train().evaluate()
推断和绘制结果
- 将“线程数”设置为1（确保线程不会与数据集重叠）
- 将模型从磁盘加载到内存
- [可选]将历史记录打印到/model文件夹（为丢失和准确性创建两个图像）
- 推断数据集（获取嵌入/分类结果）
目标检测
blastml支持用于对象检测的darknet（yolo v3）。
见：https://github.com/qqwweee/
功能：
- 将暗权重转换为路缘石权重（h5文件）
- 使用我们自己的数据集训练Darknet（使用Yolo V3预先训练并将权重转换为H5）
- 创建模型/黑暗/数据
- 放置anchors.txt
- put classes.txt
- 输入train.txt
- 创建model/darknet/data/log/（用于Tensorboard日志结果）
- 创建模型/黑暗/数据
note：培训部分是donE分两个阶段：
- 1-50个时期，冻结42/44层
- 51-100层，未冷冻。
我上传了一个演示（压缩）darknet/文件夹，请点击这里： here
训练很简单：
net = BlastML(cfg=cfg)
net.darknet().create().compile().train()
训练完成后，将创建2.h5（重量）文件
- 1-50阶段.h5<；project name>；.darknet.trained.stage.h5）
- 51-100训练.h5（即：<；project name>；.darknet.trained.h5）
接下来我们可以推断我们的视频/图像。
其他功能
- blastml可以将keras模型导出到tensorflow图中
欢迎加入QQ群-->： 979659372
