本项目是在完成深度学习作业时，因实验较多，所以代码逐渐积累形成。当时解决的问题主要是对于分类问题可以方便的切换数据集和模型，并 清晰记录实验结果。

目前实现的feature：

• data loader和model模块化
• 通用的分类数据集处理工具，一键生成并读取分类数据集
• 自动从最近的checkpoint恢复训练或直接读取网络参数文件

代码的dataset文件夹下存放各个数据集，每个数据集下需在data_loader.py中实现DataLoader类的get方法，具体可参考 dataset/mnist/data_loader.py

针对分类任务，有封装好Process和ClassifyDataset两个类分别用于生成分类数据集和读取分类数据，具体可参考 dataset/cat_dog/data_loader.py

首先将样本按照类别放在不同的文件夹中，Process会读取每个文件夹并记录对应标签，按照划分比例划分为训练集、验证集和测试集。 如果运行正确，会在目标文件夹下生成一个JPEGImages文件夹存放所有图片，和四个csv文件，分别对应所有样本和划分的三个集合。

ClassifyDataset则会将上面生成的图片和csv文件封装成tf.data.Dataset，所以只需实现自己的数据增强部分即可。

所有的model需要在models/__init__.py中导出

注意：建议在实现时使用__all__来控制导出，如：__all__ = ('ResNet50', 'ResNet50V2')

每一次执行都需要指定实验名称，每次实验的log都保存在dataset/${dataset}/exp/${exp_name}下，每个log目录又分为如下结构：

exp/
├── ckpt    // 保存的checkpoint文件，当resume=ckpt的时候会自动从最近一次的ckpt恢复训练
├── log.txt // 训练日志
└── tb-logs // TensorBoard日志

实验所需的全部参数在utils/flags.py中定义，快速开始可以参考scripts文件夹中的bash文件，例如：

export CUDA_VISIBLE_DEVICES="0"
python3 main.py \
  --batch_size=128 \
  --exp_name="test" \
  --dataset="mnist" \
  --model="lenet" \
  --mode="train_test" \
  --early_stopping_patience=10 \
  --epoch=20 \
  --debug