3 个 PyTorch Lightning 实战项目表情识别、国际象棋检测与架构搜索【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu这套 PyTorch Lightning 实战项目出自 Weights Biases 官方深度学习教学仓库 edu聚焦三大经典计算机视觉任务面部表情识别、国际象棋棋子检测与 CIFAR-10 神经网络架构搜索。所有项目都以 Jupyter Notebook 形式提供代码完整、开箱即跑非常适合寻找深度学习实战入门项目的新手也适合想系统掌握 PyTorch Lightning 训练管线与实验追踪的开发者。项目总览一个仓库覆盖三大视觉任务 ️三个实战项目都存放在仓库的 lightning/projects/ 目录下公共工具函数集中在 lightning/utils.py完整的项目清单见 lightning/projects/README.md。实战项目Notebook 文件任务类型技术亮点表情识别emotion_classifier.ipynb图像分类7 类表情Lightning 分类器 图像级日志国际象棋棋子检测chess_piece_detector.ipynb目标检测YOLOv5 微调与从零训练CIFAR-10 架构搜索architecture_search.ipynb神经网络架构搜索随机架构 Sweep 并行调参此外还有一份进阶项目 constrained_emotion_classifier.ipynb教你在内存受限场景下通过量化、剪枝设计轻量模型下文会单独介绍。实战项目一PyTorch Lightning 表情识别项目 这是最适合入门的一个 PyTorch Lightning 实战项目完整流程只有定义模型 → 加载数据 → 训练三步。数据集与任务区分 7 种面部表情项目使用 FER面部表情识别数据集需要模型区分 7 种表情生气、厌恶、害怕、开心、悲伤、惊讶和中性。模型主体是经典的 CNN 结构卷积部分提取特征后通过一个自适应池化层把特征图统一到固定尺寸再交给全连接分类头完成分类——这种卷积 池化定尺寸 全连接的组合也是图像分类的通用套路。模型与训练参数如何配置所有超参数被集中放进一个配置字典中批大小 256、训练 10 个 epoch、Adam 优化器学习率 0.001、交叉熵损失函数。把参数集中管理的好处是之后想做超参数调优Sweep时只需改配置、跑实验非常省心。边训练边看图的日志可视化 这个项目的最大亮点是可视化通过 WandbCallback、FilterLogCallback 和 ImagePredLogCallback 三个回调训练过程中会自动把卷积核权重、输入图像和模型预测结果记录到 Weights Biases 面板上。你可以在训练的同时看到模型看到了什么、预测对错这种即时反馈对初学者理解模型行为极有帮助。实战项目二YOLOv5 国际象棋棋子检测实战 ♟️如果说表情识别是分类整张图那么棋子检测就是找到图中每个棋子的位置和类别这属于目标检测任务。统一场景下的棋盘数据集项目使用的数据集由 Roboflow 制作图像是在统一光照、统一角度下拍摄的单个棋盘和整套棋子每个棋子都有边界框标注。数据通过 WB Artifact 直接下载数据集 run 名为yolo-chess/chess-dataset省去了手动找数据、转换格式的麻烦。目标检测离不开数据标注 目标检测模型的质量上限取决于标注数据的质量——每个目标都需要一个精确的边界框。无论检测对象是柠檬还是国际象棋棋子标注流程完全一致。下面两张图直观展示了原始图像与标注后图像的区别微调预训练模型10 个 Epoch 快速见效项目默认采用迁移学习思路下载 YOLOv5 预训练权重如yolov5s.pt只训练 10 个 epoch、批大小 16就能得到可用的棋子检测器。同时项目提供了一份专门调好的数据增强配置hyp.chess.yaml包含 HSV 色彩增强、预热学习率等参数默认增强拉满你也可以根据自己的训练时长适当调低。⚠️ 小提示如果盲目调大 batch_size尤其是 l/m/x 大型模型容易触发CUDA out of memory报错把批大小调回 16 一般都能顺利运行。从零训练100 个 Epoch 的对照实验如果想做更严谨的对照实验项目也提供了从零训练的完整脚本不加载任何预训练权重用yolov5s.yaml网络结构训练 100 个 epoch。对比微调与从零训练的结果能直观感受到迁移学习在数据有限场景下的巨大优势。实战项目三CIFAR-10 神经网络架构搜索项目 这个项目更有科研味不手动设计网络而是让计算机自动搜索表现最好的网络架构。用随机种子生成随机网络架构项目用随机种子作为唯一输入映射出一套随机架构随机决定包含 0 个或多个卷积层、0 个或多个全连接层再随机配置批归一化概率 0.67与 dropout最大 0.5。代码中还有一个形状跟踪工具自动推算每一层的输出尺寸保证随机生成的网络也能正确拼接。同样的种子永远生成同样的架构保证实验可复现。加入并行 Sweep 搜索最优架构架构搜索的核心玩法是并行通过 wandb.agent 启动一个 agent加入公开的并行搜索任务项目archsearch-cifar10你的 GPU 就会成为整个搜索网络的一台工人随机采样架构并训练所有结果实时汇总到同一个仪表盘。在 CIFAR-10 的 10 个类别上可以随时查看哪些架构准确率最高、是否存在规律。启动属于你自己的架构搜索想独立做一次搜索也很简单定义一个 Sweep 配置随机采样方法、优化目标为验证集准确率、种子在 0 到 1000 万之间均匀采样两行代码就能创建自己的搜索任务。把 agent 里的count参数设为 20 左右约半小时即可完成 20 次训练并得到一份完整的架构对比报告。进阶挑战内存受限场景下的表情分类器 ⚙️学完三个基础项目后constrained_emotion_classifier.ipynb 提供了更贴近工业实践的挑战在严格的内存预算下设计表情分类器。项目引入了静态量化、权重剪枝、模型体积与参数量统计等优化手段让你体验如何把模型瘦身到能在边缘设备上运行。这部分很适合想要深入模型优化方向的学习者。如何快速开始克隆仓库并运行 克隆仓库git clone https://gitcode.com/gh_mirrors/edu2/edu进入lightning/projects/目录用 Jupyter Notebook 打开任一项目文件。按顺序执行单元格即可。首次运行会安装pytorch-lightning与wandb依赖登录 WB 账号后训练日志和可视化结果会自动同步到云端面板。写在最后从分类 7 种表情到检测国际象棋棋子再到自动搜索最优架构这三个 PyTorch Lightning 实战项目恰好覆盖了计算机视觉从入门到进阶的核心路径图像分类、目标检测与架构搜索。更重要的是它们完整展示了 PyTorch Lightning 与 Weights Biases 的组合工作流——少写样板代码、多关注实验本身。建议按顺序逐个动手跑一遍再结合进阶项目深入模型优化相信你会对深度学习实战形成完整的认知体系。【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考