深度学习项目实施流程

本文认为一个深度学习项目开发的主要工作量可以分为模型组网、数据载入和训练脚本三个部分。

本步骤实现模型的定义，基于所使用的深度学习框架，使用其提供的API构建自己的深度学习模型。
以pytorch为例，定义模型继承自基类nn.Module，然后实现构造函数和前向forward()。
完成后可构造fake_data验证输入输出是否符合预期；

工作量： 与模型的复杂程度和开发人员对API的熟悉程度有关。

本步骤实现数据集的读取方式，主要实现MyDataset和调用Dataloader。

train_ds = MyDataset(train_set_path, tokenizer)

train_loader = DataLoader(dataset=train_ds,  # 传递数据集
                         batch_size=args.batch_size,  # 一个小批量容量是多少
                         shuffle=False,  # 数据集顺序是否要打乱，一般是要的。测试数据集一般没必要
                         collate_fn=collate_fn,
                         num_workers=args.workers)  # 需要几个进程来一次性读取这个小批量数据

MyDataset类继承自torch.utils.data.dataset.Dataset，构造函数实现从文件中读取数据的过程，__getitem__(self, idx)实现单个数据样本的结构。
Dataloader来自torch.utils.data.dataloader，使用for循环可每次从中取出一个batch的数据。
参数中的collate_fn为一个函数，实现一个batch数据在读取时进行的预处理，如padding、tensor类型转换等。

工作量： 与数据集的处理要求相关。

本部分建议采用现有的脚本模板进行开发。
需要定义超参数、损失函数、评价指标，实现训练过程、评估过程、模型存储等。
最终该训练脚本为一个项目的运行入口。
工作量： 与模板的易用程度相关。