# ShuffleNetV2-CIFAR10 训练与特征提取

这个项目实现了ShuffleNetV2模型在CIFAR10数据集上的训练，并集成了特征提取和可视化所需的功能。

## time_travel_saver数据提取器
```python
     #保存可视化训练过程所需要的文件
        if (epoch + 1) % interval  == 0 or (epoch == 0): 
            # 创建一个专门用于收集embedding的顺序dataloader
            ordered_trainloader = torch.utils.data.DataLoader(
                trainloader.dataset,
                batch_size=trainloader.batch_size,
                shuffle=False,
                num_workers=trainloader.num_workers
            )
            epoch_save_dir = os.path.join(save_dir, f'epoch_{epoch+1}') #epoch保存路径
            save_model = time_travel_saver(model, ordered_trainloader, device, epoch_save_dir, model_name, 
                         show=True, layer_name='avg_pool', auto_save_embedding=True)
                        #show:是否显示模型的维度信息
                        #layer_name:选择要提取特征的层,如果为None,则提取符合维度范围的层
                        #auto_save_embedding:是否自动保存特征向量 must be True
            save_model.save_checkpoint_embeddings_predictions() #保存模型权重、特征向量和预测结果到epoch_x
            if epoch == 0:
                save_model.save_lables_index(path = "../dataset") #保存标签和索引到dataset
```


## 项目结构

- `./scripts/train.yaml`：训练配置文件，包含批次大小、学习率、GPU设置等参数
- `./scripts/train.py`：训练脚本，执行模型训练并自动收集特征数据
- `./model/`：保存训练好的模型权重
- `./epochs/`：保存训练过程中的高维特征向量、预测结果等数据

## 使用方法

1. 配置 `train.yaml` 文件设置训练参数
2. 执行训练脚本：
   ```
   python train.py
   ```
3. 训练完成后，可以在以下位置找到相关数据：
   - 模型权重：`./epochs/epoch_{n}/model.pth`
   - 特征向量：`./epochs/epoch_{n}/embeddings.npy`
   - 预测结果：`./epochs/epoch_{n}/predictions.npy`
   - 标签数据：`./dataset/labels.npy`
   - 数据索引：`./dataset/index.json`

## 数据格式

- `embeddings.npy`：形状为 [n_samples, feature_dim] 的特征向量
- `predictions.npy`：形状为 [n_samples, n_classes] 的预测概率
- `labels.npy`：形状为 [n_samples] 的真实标签
- `index.json`：包含训练集、测试集和验证集的索引信息