使用trixi管理您的机器学习实验-模块化、可复制、高级
trixi的Python项目详细描述
最后在你的机器学习实验中加入一些结构。 {STR 1 } $TIXI （培训和回顾性实验基础设施）是帮助您以可重复的方式配置、记录和可视化实验的工具。
贡献
我们永远感激你的贡献，即使是小小的贡献！我们是博士生，这只是一个附带项目，所以总有一些需要改进的地方。
最好的方法是在github上创建pull请求。分叉存储库，直接开发或创建一个特性分支，无论您最喜欢哪个。然后转到github上的“pull requests”，选择“new pull request”和“compare across forks”。选择我们的发展作为基础，你的工作作为领导/比较。
我们目前不支持完整的github工作流，因为我们必须将工作存储库镜像到github，但不用担心，我们可以导出pull请求并应用它们，以便您的贡献仍然显示在github上：）
功能
1三个部分：< > > >日志api
以您喜欢的方式将任何数据记录到任何后端。实验基础设施
标准化您的实验，让框架做所有不方便的事情，然后简单地开始，继续， 改变和优化你所有的实验。实验浏览器
比较、合并并目视检查实验结果。
给出了实现图here。
日志api
日志api为将结果记录到不同的后端提供了一种标准化的方法。 日志api支持 （除其他外）：
- 值
- 文本
- 绘图（条形图、折线图、散点图、饼图等）
- 图像（单个，网格）
并提供不同的后端，例如：
- visdom（visdom-loggers）
- tensorboardx（tensorboard-loggers）
- matplotlib/seaborn（plt-loggers）
- 本地磁盘（file-loggers）
- 电报松弛（message-loggers）
以及用于记录实验的experiment-logger，它使用文件记录器自动创建结构化目录，并允许 存储配置、结果、绘图、dict、数组、图像等，这样您的实验在磁盘上总是具有相同的结构。
下面是一些示例：
- 文件：
- 电报：
实验基础设施
Experiment Infrastructure提供了配置、运行、存储和评估结果的统一方法。 它为您提供了一个实验界面，您可以为其实现培训、验证和测试。 此外，它还自动为您提供对日志api的简单访问，并存储您的配置以及 结果便于评估和复制。有一个抽象的Experiment类和一个具有许多便利特性的PytorchExperiment。
有关详细信息，请访问Documentation。
实验浏览器
（我们目前正在从头开始重新制作，希望有重大改进：）
实验浏览器提供了实验的完整概述以及所有配置参数和结果。
它还允许组合和/或比较不同的实验，为您提供一个交互式比较，突出显示配置中的差异和所有图像的详细视图，
图，每个实验的结果和日志，还有现场图等等。
安装
安装^ {STR 1 } $TXIX：
pip install trixi
git clone https://github.com/MIC-DKFZ/trixi.git
cd trixi
pip install -e .
文档站
文档可以在这里找到：trixi.rtfd.io
也可以使用sphinx构建自己的文档。
狮身人面像设置
安装sphinx（由于readthedocs出现问题，目前已修复为1.7.0）：pip install sphinx==1.7.0
生成HTML:path/to/PROJECT/doc$ make html
index.html将位于：path/to/PROJECT/doc/_build/html/index.html
注释
- Reunun{{CD4}}每次更新现有模块（这将自动调用狮身人面像APIDOC）
- 不要忘记缩进或空行
- 没有类或函数的代码不会使用apidoc自动捕获
示例文档
我们使用谷歌风格的文档字符串：
def show_image(self, image, name, file_format=".png", **kwargs):
"""
This function shows an image.
Args:
image(np.ndarray): image to be shown
name(str): image title
"""
示例
可在此处找到以下示例：
- Visdom-Logger
- Experiment-Logger
- Experiment Infrastructure（带有 简单的mnist实验实例及不同超参数的恢复与比较）
- U-Net Example
欢迎加入QQ群-->： 979659372
