Kaggle知识点：深度学习代码规范

每一场Kaggle比赛都一个项目，代码则需要按照规范进行整理。项目规范方便后续的沟通、迭代，非常关键。本文将对竞赛和深度学习通用项目的规范细节进行整理。

步骤1：确定代码框架

首先确定好具体任务，然后根据任务选择合适的框架，如PyTorch Lightning
或MMDection
。

如果框架有默认目录，则遵守。否则可以创建适合自己的目录，一般而言目录推荐如下：

• general
  ：常见的训练过程、保存加载模型过程，与具体任务相关的代码。
• layers
  ：模型定义、损失函数等；
• experiments
  ：具体任务的训练流程、数据读取和验证过程；

general/
│   train.py
│   task.py
│   mutils.py
layers/
experiments/
│   task1/
│        train.py
│        task.py
│        eval.py
│        dataset.py
│   task2/
│        train.py
│        task.py
│        eval.py
│        dataset.py

步骤2：定义命令行解析

Notebook虽然很好用，但是具体.py
代码实际运行和管理更加方便。所以命令行解析就非常关键。

你可以选择自己喜欢的参数解析器，在命令行中一般推荐加入学习率、batch、seed等超参数。

python train.py --learning ... --seed ... --hidden_size ...

步骤3：确定调参工具

在调试和训练模型的过程中，肯定需要多次训练，此时TensorBoard
可以非常好的管理实验日志。

调参是非常乏味的，比较重要的是确定好学习率
和batch size
。学习率和优化器有非常多的选择，SGD是一个比较好的开始。一般而言模型越深，学习率越小。batch size越大，学习率越大。

步骤4：减少随机性

深度学习模型有一定的随机性，模型是否可复现非常重要。在比赛期间，非常推荐提前把不同fold的次序存储到文件，减少随机性。

把配置文件、模型权重、日志文件保存好，这样每次都可以进行实验对比。

• Pytorch设置SEED

torch.manual_seed(SEED)
torch.cuda.manual_seed_all(SEED)
np.random.seed(SEED)
random.seed(SEED)
torch.backends.cudnn.deterministic = True

• TF 1.X设置SEED

from tfdeterminism import patch
patch()
os.environ['PYTHONHASHSEED']=str(SEED)
random.seed(SEED)
np.random.seed(SEED)
tf.set_random_seed(SEED)

• TF 2.X设置SEED

os.environ['TF_DETERMINISTIC_OPS'] = '1'
os.environ['PYTHONHASHSEED']=str(SEED)
random.seed(SEED)
np.random.seed(SEED)
tf.random.set_seed(SEED)