经验贴：老少皆宜的deep learning模板

很多童鞋在入门深度学习时，遇到的最大的一个问题就是，论文读懂了，代码看不懂，写不好，跑不起来。关于这一点，我的建议就是多读，多写。

多读是指多读别人写的代码，明白别人代码的组织结构，每一步在干什么，为什么要这样写；在这个过程中也会逐渐熟悉各种常用的函数及库，例如numpy, pandas, pytorch等等。

多写是指多自己去尝试写代码，把常见的坑都踩一遍，自然对于代码的理解就会更深刻。

而这个过程中，一个好的模板是非常重要的。理解模板本身有利于新手搭建一个合理、清晰、易懂的逻辑框架，帮助新手少走很多弯路。因此，我最近开源了一个我自己比较常用的deep learning模板，链接在这：Template，感兴趣的同学们可以自行下载并阅读，有问题可以随时与我联系~

对于一个deep learning projects来说，我认为主要可分为以下几个部分：

• 数据(data)，这部分的主要内容是读取数据，预处理数据，构建数据集等。
• 模型(model)，这部分的主要内容是搭建一个模型框架，从数学上来说就是建立一个从数据空间到结果空间的映射。例如，输入一个句子，输出这个句子的情感值(0-1)，就是建立了一个从句子空间到实数空间的映射。
• 训练(training)，这部分的主要内容是使用数据来训练模型。
• 评测(evaluation)，这部分的主要内容是对训练好的模型进行评估，通常使用某些特定的指标。

在实际应用中，除以上部分外还需要其他的组件，例如推理/部署等。但本模板仅面向学术，我们只需要关注于以上几个部分即可。

那么对于一个新手来说，一个合适的coding顺序是，data -> model -> training -> evaluation。先确定好数据的格式，才能确定模型的输入；确定好模型的输出，才能确定training的范式；确定好训练的各个细节，才能对模型做评测。

在模板中，data部分被定义在data.py，模型部分定义在model文件夹之中，训练部分定义在manager.trainer.py之中，评测部分定义在manager.evaluator.py之中。而整个project所需的各种参数，都被定义在util.py之中.