diff --git a/init.py b/MultiClass.py similarity index 77% rename from init.py rename to MultiClass.py index c7a9fdc..0a1579a 100644 --- a/init.py +++ b/MultiClass.py @@ -13,29 +13,30 @@ from paddle.io import Dataset 参数配置 ''' train_parameters = { - "input_size": [3, 224, 224], #输入图片的shape - "class_dim": -1, #分类数 - "src_path":"/home/aistudio/data/data55190/Chinese Medicine.zip", #原始数据集路径 - "target_path":"/home/aistudio/data/", #要解压的路径 - "train_list_path": "/home/aistudio/data/train.txt", #train.txt路径 - "eval_list_path": "/home/aistudio/data/eval.txt", #eval.txt路径 - "readme_path": "/home/aistudio/data/readme.json", #readme.json路径 - "label_dict":{}, #标签字典 - "num_epochs": 1, #训练轮数 - "train_batch_size": 8, #训练时每个批次的大小 + "input_size": [3, 224, 224], # 输入图片的shape + "class_dim": -1, # 分类数 + "src_path": "D:/aistudio/data/data55190/Chinese Medicine.zip", # 原始数据集路径 + "target_path": "D:/aistudio/data/", # 要解压的路径 + "train_list_path": "D:/aistudio/data/train.txt", # train.txt路径 + "eval_list_path": "D:/aistudio/data/eval.txt", # eval.txt路径 + "readme_path": "D:/aistudio/data/readme.json", # readme.json路径 + "label_dict": {}, # 标签字典 + "num_epochs": 1, # 训练轮数 + "train_batch_size": 8, # 训练时每个批次的大小 "skip_steps": 10, "save_steps": 30, - "learning_strategy": { #优化函数相关的配置 - "lr": 0.0001 #超参数学习率 + "learning_strategy": { # 优化函数相关的配置 + "lr": 0.0001 # 超参数学习率 }, - "checkpoints": "/home/aistudio/work/checkpoints" #保存的路径 + "checkpoints": "D:/aistudio/work/checkpoints" # 保存的路径 } + def unzip_data(src_path,target_path): - ''' + """ 解压原始数据集，将src_path路径下的zip包解压至target_path目录下 - ''' + """ if(not os.path.isdir(target_path + "Chinese Medicine")): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) @@ -43,9 +44,9 @@ def unzip_data(src_path,target_path): def get_data_list(target_path, train_list_path, eval_list_path): - ''' + """ 生成数据列表 - ''' + """ # 存放所有类别的信息 class_detail = [] # 获取所有类别保存的文件夹名称 @@ -147,6 +148,7 @@ with open(eval_list_path, 'w') as f: # 生成数据列表 get_data_list(target_path, train_list_path, eval_list_path) + class dataset(Dataset): def __init__(self, data_path, mode='train'): """ @@ -175,7 +177,6 @@ class dataset(Dataset): self.img_paths.append(img_path) self.labels.append(int(label)) - def __getitem__(self, index): """ 获取一组数据 @@ -201,12 +202,12 @@ class dataset(Dataset): return len(self.img_paths) -#训练数据加载 -train_dataset = dataset('/home/aistudio/data',mode='train') +# 训练数据加载 +train_dataset = dataset('D:/aistudio/data', mode='train') train_loader = paddle.io.DataLoader(train_dataset, batch_size=16, shuffle=True) -#测试数据加载 -eval_dataset = dataset('/home/aistudio/data',mode='eval') -eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 8, shuffle=False) +# 测试数据加载 +eval_dataset = dataset('D:/aistudio/data', mode='eval') +eval_loader = paddle.io.DataLoader(eval_dataset, batch_size=8, shuffle=False) train_dataset.print_sample(200) print(train_dataset.__len__()) @@ -215,52 +216,9 @@ print(eval_dataset.__len__()) print(eval_dataset.__getitem__(10)[0].shape) print(eval_dataset.__getitem__(10)[1].shape) -# class ConvPool(paddle.nn.Layer): -# '''卷积+池化''' -# def __init__(self, -# num_channels,#1 -# num_filters, #2 -# filter_size,#3 -# pool_size,#4 -# pool_stride,#5 -# groups,#6 -# conv_stride=1, -# conv_padding=1, -# ): -# super(ConvPool, self).__init__() - -# self._conv2d_list = [] - -# for i in range(groups): -# conv2d = self.add_sublayer( #添加子层实例 -# 'bb_%d' % i, -# paddle.nn.Conv2D( # layer -# in_channels=num_channels, #通道数 -# out_channels=num_filters, #卷积核个数 -# kernel_size=filter_size, #卷积核大小 -# stride=conv_stride, #步长 -# padding = conv_padding, #padding -# ) -# ) -# num_channels = num_filters - -# self._conv2d_list.append(conv2d) - -# self._pool2d = paddle.nn.MaxPool2D( -# kernel_size=pool_size, #池化核大小 -# stride=pool_stride #池化步长 -# ) -# print(self._conv2d_list) -# def forward(self, inputs): -# x = inputs -# for conv in self._conv2d_list: -# x = conv(x) -# x = paddle.nn.functional.relu(x) -# x = self._pool2d(x) -# return x class ConvPool(paddle.nn.Layer): - '''卷积+池化''' + """ 卷积+池化 """ def __init__(self, num_channels, @@ -351,15 +309,17 @@ class VGGNet(paddle.nn.Layer): else: return out -def draw_process(title,color,iters,data,label): + +def draw_process(title, color, iters, data, label): plt.title(title, fontsize=24) plt.xlabel("iter", fontsize=20) plt.ylabel(label, fontsize=20) - plt.plot(iters, data,color=color,label=label) + plt.plot(iters, data, color=color, label=label) plt.legend() plt.grid() plt.show() + print(train_parameters['class_dim']) print(train_parameters['label_dict']) @@ -386,17 +346,17 @@ for epo in range(train_parameters['num_epochs']): Iters.append(steps) total_loss.append(loss.numpy()[0]) total_acc.append(acc.numpy()[0]) - #打印中间过程 + # 打印中间过程 print('epo: {}, step: {}, loss is: {}, acc is: {}'\ .format(epo, steps, loss.numpy(), acc.numpy())) - #保存模型参数 + # 保存模型参数 if steps % train_parameters["save_steps"] == 0: save_path = train_parameters["checkpoints"]+"/"+"save_dir_" + str(steps) + '.pdparams' print('save model to: ' + save_path) paddle.save(model.state_dict(),save_path) -paddle.save(model.state_dict(),train_parameters["checkpoints"]+"/"+"save_dir_final.pdparams") -draw_process("trainning loss","red",Iters,total_loss,"trainning loss") -draw_process("trainning acc","green",Iters,total_acc,"trainning acc") +paddle.save(model.state_dict(), train_parameters["checkpoints"]+"/"+"save_dir_final.pdparams") +draw_process("trainning loss", "red",Iters,total_loss, "trainning loss") +draw_process("trainning acc", "green",Iters,total_acc, "trainning acc") ''' @@ -414,12 +374,13 @@ for _, data in enumerate(eval_loader()): predicts = model_eval(x_data) acc = paddle.metric.accuracy(predicts, y_data) accs.append(acc.numpy()[0]) -print('模型在验证集上的准确率为：',np.mean(accs)) +print('模型在验证集上的准确率为：', np.mean(accs)) + -def unzip_infer_data(src_path,target_path): - ''' +def unzip_infer_data(src_path, target_path): + """ 解压预测数据集 - ''' + """ if(not os.path.isdir(target_path + "Chinese Medicine Infer")): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) @@ -427,20 +388,20 @@ def unzip_infer_data(src_path,target_path): def load_image(img_path): - ''' + """ 预测图片预处理 - ''' + """ img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') - img = img.transpose((2, 0, 1)) / 255 # HWC to CHW 及归一化 + img = img.transpose((2, 0, 1)) / 255 # HWC to CHW 及归一化 return img -infer_src_path = '/home/aistudio/data/data55194/Chinese Medicine Infer.zip' -infer_dst_path = '/home/aistudio/data/' +infer_src_path = 'D:/aistudio/data/data55194/Chinese Medicine Infer.zip' +infer_dst_path = 'D:/aistudio/data/' unzip_infer_data(infer_src_path,infer_dst_path) label_dic = train_parameters['label_dict'] @@ -453,8 +414,8 @@ infer_imgs_path = os.listdir(infer_dst_path+"Chinese Medicine Infer") print(infer_imgs_path) for infer_img_path in infer_imgs_path: infer_img = load_image(infer_dst_path+"Chinese Medicine Infer/"+infer_img_path) - infer_img = infer_img[np.newaxis,:, : ,:] #reshape(-1,3,224,224) + infer_img = infer_img[np.newaxis, :, :, :] # reshape(-1,3,224,224) infer_img = paddle.to_tensor(infer_img) result = model_predict(infer_img) lab = np.argmax(result.numpy()) - print("样本: {},被预测为:{}".format(infer_img_path,label_dic[str(lab)])) \ No newline at end of file + print("样本: {},被预测为:{}".format(infer_img_path, label_dic[str(lab)])) \ No newline at end of file diff --git a/README.md b/README.md index a8886f4..8ac6f33 100644 --- a/README.md +++ b/README.md @@ -14,7 +14,7 @@ | 开发中的问题 | 随时交流 | 面对面会议、QQ群 | 汇总成员开发问题，讨论解决方案 | | 同步进度及调整后续计划 | 一周一次（下午） | 面对面会议，QQ群 | 各成员开发进度展示和确定后续计划安排 | | 项目进度及成果 | 一月一次（上午） | 面对面会议，邮件 | 各成员展示开发成果，撰写总结报告 | - +| 项目总结反思 | 一次 | 面对面会议 | 成员讨论此次项目中的体会和收获，总结经验，铭记教训 | ### 风险管理计划 | 风险名称 | 所属维度 | 风险说明 | 影响程度（重要性） | 对工作量的影响 | 对进度和成本的影响 | 优先权（紧急程度） | 跟踪频率 | @@ -28,6 +28,23 @@ | 无法满足所有人的期望 | 管理风险 | 项目成果或产品是最优化选项，并不可能是完美方案，在项目中，完美往往意味着不完美，应为一定会有边际成本的大量投入 | 中 | 低 | 低 | 低 | 一月一次 | | 沟通有问题 | 管理风险 | 信息不透明，渠道不通畅，在项目合作中，不能照顾到各自的利益点是不可能形成长期合作的 | 高 | 中 | 低 | 低 | 两周一次 | +### 交叉测试产品原型 +| 问题 | 考察目标 | 答案 | +|:------------|:---------|-----------:| +| 能否从首页看出产品能解决怎样的问题，首页哪些地方有吸引力（有价值） | 实际效果与用户期望 | | +| 是否使用过同类产品或者网站？ | 竞品比较 | | +| 是否比常用产品好？ | 产品的可用性 | | +| 有多大可能性向同行推荐这款产品？ | 产品的可用性 | | +| 除了此产品，是否有其他解决办法？ | 竞品比较 | | +| 产品的功能是否能够满足需要？|功能设计 | | +|是否能快速找到自己想要的功能？|用户体验 | | +|能否看到每个UI要求用户完成的最重要的任务？|用户体验 | | +|每个UI用到的方案是否最简单？|用户体验 | | +|UI的信息是否组织得当？|用户体验 | | +|设计是否易用且一目了然？|用户体验 | | +|设计标准是否一致？|用户体验 | | +|是否能减少用户点击次数？|用户体验 | | +