项目结构说明

——config 项目配置参数  
——data_list 划分好的数据集，如train.csv，valid.csv  
——nets 网络模型  
——outputs 输出文件  
  |——model 训练过程中保存的模型相关文件  
  |——log 输出日志  
——utils 各种工具  
——weights 预加载权重文件  
inference.py 本地测试脚本  
local_train.py 本地训练脚本   
model_arts_train.py 华为云训练脚本  

训练

1、需要准备数据集
2、准备预训练权重文件，当然这不是必须的，如果不传该路径，会自动下载.pth文件
然后就可以直接运行local_train或model_arts_train了

测试

1、需要准备训练的模型权重文件
2、测试文件
然后就可以运行inference文件测试了

自动模型创建

在nets/model下定义了个类class Model，其根据一个字典定义，创建模型，其设计是将网络作为一个有向图来定义，参数配置：
{
    net：网络模型参数
    layers：每层具体参数定义，其每个层作为图的节点
    adjacency：图节点的邻接表，网络的连接由邻接表指定
    start_and_end：输入、输出列表(支持多输入、多输出)
}
备注：layers内参数：请参考pytorch的对应方法参数

即你只需定义一个有向图，Model即可根据该配置自动创建与运行

支持的所有配置参数：

{
    "net": {
        "in_channels": 3  # 必须, 网络的输入数据通道数
    },
    "layers": {
        "con2d": {  # 节点(层)名称, 必须唯一
            "type": "Conv2d",  # 必须
            "out_channels": 3,  # 必须
            "kernel_size": 3,  # 必须
            "stride": 1,  # 默认
            "padding": 0,  # 默认
            "dilation": 1,  # 默认
            "groups": 1,  # 默认
            "bias": True,  # 默认
            "padding_mode": "zeros"  # 默认
        },
        "maxpool2d": {
            "type": "MaxPool2d",  # 必须
            "kernel_size": 3,  # 必须
            "stride": 3,  # 默认=kernel_size
            "padding": 0,  # 默认
            "dilation": 1,  # 默认
            "return_indices": False,  # 默认
            "ceil_mode": False  # 默认
        },
        "interpolate": {
            "type": "interpolate",  # 必须
            # "size": (46, 46),  # size与scale_factor二选一, 输出image大小
            "scale_factor": 2,  # size与scale_factor二选一, 指定输出为输入的多少倍数
            "mode": "nearest",  # 默认, 支持 'nearest' | 'linear' | 'bilinear' | 'bicubic' | 'trilinear' | 'area'. Default: 'nearest'
            "align_corners": None,  # 默认
            "recompute_scale_factor": None  # 默认
        },
        "concat": {
            "type": "concat"  # 必须
        },
        "shortcut": {
            "type": "shortcut"  # 必须
        },
        "relu": {
            "type": "ReLU",  # 必须
            "inplace": False  # 默认
        },
        "batchnorm2d": {
            "type": "BatchNorm2d",  # 必须
            "num_features": 10,  # 默认, 为本层输入的channels总和
            "eps": 1e-5,  # 默认
            "momentum": 0.1,  # 默认
            "affine": True,  # 默认
            "track_running_stats": True  # 默认
        },
        "adaptiveavgpool2d": {
            "type": "AdaptiveAvgPool2d",  # 必须
            "output_size": (5,7)  # 必须
        },
        "linear": {
            "type": "Linear",  # 必须
            "in_features": 96,  # 必须
            "out_features":  10,  # 必须
            "bias": True  # 默认
        },
        "leakyrelu": {
            "type": "LeakyReLU",  # 必须
            "negative_slope": 1e-2,  # 默认
            "inplace": False  # 默认
        },
    },
    "adjacency": {
        "con2d": ["maxpool2d", "concat", "shortcut"],  # 其含义：con2d —> maxpool2d, con2d —> concat, con2d —> shortcut
        "maxpool2d": ["interpolate"],
        "interpolate": ["concat"],
        "concat": ["shortcut"],
        "shortcut": ["relu"],
        "relu": ["batchnorm2d"],
        "batchnorm2d": ["adaptiveavgpool2d"],
        "adaptiveavgpool2d": ["linear"],
        "linear": ["leakyrelu"]   
    },
    "start_and_end": {  # 网络输入节点con2d, 输出节点leakyrelu
        "start": [con2d],
        "end": [leakyrelu]
    }
}