This repro is learned from pytorch-template.

I want to use this template to re-build many classical models of deep learning.

Yes, I am studying PyTorch and how to build good pipelined projects.

Let's enjoy it!!!

定义需求

机器学习或深度学习的训练和测试过程，自有固定的pipeline，这是很多工程中的相似之处；

而不同之处主要在于：

1. 不同的数据集及其预处理；
2. 不同的模型；

因此，希望“相似之处”能够固化下来，而在研究探索中，将绝大多数的重点关注在“不同之处”上； 然后让这种数据和模型，能在一个自动化的pipeline上运行。

pytorch-template 就非常关注其中的“相似之处”与“不同之处”。 因此，站在“巨人的肩膀上”，我将陆续进行经典的模型复现工作，希望最终达到的目标是：

python train.py --config Dataset1_ModelA_config.json
# or
python test.py --resume xxxxx/best_model.pth

就能够看到最终的效果。

因此，将工作内容主要关注在“数据”和“模型”两个方面。根据pytorch-template的框架，主要的工作在于：

1. data_loader.data_loaders.py
2. model.Models.py
3. xxx_config.json

sEMG-based Recognition

另外，将在尽快复现了经典模型之后，专注研究“sEMG"方向，依赖的数据集主要为NinaPro, CSL, Capg等 -- 尚未取得可以言说的进展，暂不表述。

关于pytorch-template的执行

实现关键模块，修改配置参数

如果创建pytorch的工程项目，还是推荐pytorch-template的第一手资料。如下，我仅仅是将其中部分内容稍作记录。

以MNIST_LeNet 为例，

1. 数据
   1. 在data_loader.data_loaders.py 创建并实现MNIST_DataLoader;
   2. 将该名称MNIST_DataLoader写入到MNIST_LeNet_config.json 的"data_loader":{"MNIST_DataLoader", } 中，稍微注意其他相关参数，如数据的存储路径等；
2. 模型
   1. 在model.Models.py 创建并实现class MNIST_LeNet();
   2. 将该名称MNIST_LeNet写入到MNIST_LeNet_config.json的"arch":"MNIST_LeNet"中；
3. 配置文件。关注MNIST_LeNet_config.json 这个配置文件中的更多相关参数

执行

python train.py --config MNIST_LeNet_config.json

对模型进行训练，训练结果或断点结果均有所保存，即使中断了也无所谓，下次可以重新持续训练。

python train.py --resume saved/models/MNIST_LeNet/time/xxx.pth

找到相应的断点存储结果，可以持续训练。

由于其中的参数设置，如果完整训练完成，会有一个best_model.pth

python test.py --resume saved/models/MNIST_LeNet/time/xxx.pth

即，利用某个存储的模型进行测试。