File size: 2,081 Bytes
d5dac94 bb9bb65 d5dac94 bb9bb65 d5dac94 364a6fb d5dac94 bb9bb65 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 |
"""ttv_utils包提供了用于特征预测 和 模型训练过程收集 的工具函数
主要组件:
1. FeaturePredictor: 用于从模型中间层特征向量预测预测结果的类
使用示例:
```python
predictor = FeaturePredictor(
model_class=model, 模型类
model_weights_path=weight_path,模型权重文件路径
layer_info_path=layer_info_path,层信息文件路径
device=device 运行设备
)
```
2. predict_feature: 从模型中间层特征向量预测预测结果便捷函数
使用示例:
```python
output = predict_feature(
model=model, # 模型类
weight_path=weight_path, # 模型权重文件路径
layer_info_path=layer_info_path, # 层信息文件路径
feature=feature, # 特征向量
device=device # 运行设备
)
```
3. time_travel_saver: 用于在训练过程中保存模型权重、特征和预测结果的类
使用示例:
```python
# 创建一个保存器实例
saver = time_travel_saver(
model=model, # 模型实例
dataloader=ordered_loader, # 顺序数据加载器
device='cuda:0', # 计算设备
save_dir='./checkpoints', # 保存根目录
model_name='alexnet', # 模型名称
interval=1 # 每隔多少个epoch保存一次
)
# 在训练循环中调用save方法
for epoch in range(epochs):
# 训练代码...
if epoch % interval == 0:
saver.save(model) # 保存当前epoch的模型状态
```
保存的文件结构:
- model/{epoch}.pth: 模型权重
- dataset/representation/{epoch}.npy: 特征向量
- dataset/prediction/{epoch}.npy: 预测结果
- dataset/label/labels.npy: 标签
"""
from .feature_predictor import FeaturePredictor, predict_feature
from .save_embeddings import time_travel_saver
__all__ = ['FeaturePredictor', 'predict_feature', 'time_travel_saver']
|