机器学习也能套模版：在线选择模型和参数，一键生成demo
目前支持PyTorch和scikit-learn
木易 发自 凹非寺
量子位 报道 | 公众号 QbitAI
连机器学习的代码，也可以套模（tou）版（lan）了。
现在，有一个Web应用程序，可以生成用于机器学习的模板代码（demo），目前支持PyTorch和scikit-learn。
同时，对于初学者来说，这也是一个非常好的工具。在模版中学习机器学习的代码，可以少走一些弯路。
这也难怪开发者在项目的介绍中，这样写道：
这非常适合机器学习的初学者！
这个名为traingenerator的项目，已于最近成功上线，并冲上了reddit的热榜。
这，究竟是一个什么样的项目，就让我们来看一下。
选择模型和参数，一键生成demo
在任务处理上，目前的任务目标只有图像分类这一种可供选择。
不过，开发者说，有更多功能正在路上，比如目标检测、语义分割等任务目标。
而目前，Web支持的框架有PyTorch和scikit-learn，如下图所示，在选定框架后，模版会自动变换。
在PyTorch下，可使用的模型有：AlexNet、ResNet、DenseNet及VGG。
而在scikit-learn下，可选择的模型有：Support vectors、Random forest、Perceptron、K-nearest neighbors及Decision tree。
之后，在下方，在选择不同的模型下，还可以调节不同的训练参数。
此外，可输入的数据有着两种选择：Numpy arrays和Image files。
最后，在demo输出上，你也有三个选择，能够分别导出.py、Jupyter notebook和Google Colab三种文件格式。
目前，该项目已经在网站上线，可以直接在网页上（网页地址可在文末获取）操作上述内容，并直接生成demo。
运行方法
另外，如果你想要在本地运行或者部署，开发者还贴心地提供了使用指南。
安装
git clone https://github.com/jrieke/traingenerator.git
cd traingenerator
pip install -r requirements.txt
如果要使「在Colab中打开」生效，还需要设置一个Github repo来存储笔记本文件（因为Colab只能打开Github上的公共文件）。
设置repo后，创建一个.env文件其中包含:
GITHUB_TOKEN=<your-github-access-token>
REPO_NAME=<user/notebooks-repo>
本地运行
streamlit run app/main.py
确保总是从traingenerator目录（而不是从应用程序目录）运行，否则应用程序将无法找到模板。
部署到Heroku
首先，安装heroku并登录。要创建新部署的话，便在traingenerator内部运行:
heroku create
git push heroku main
heroku open
之后，更新已部署的应用程序，提交更改并运行:
git push heroku main
如果你设置了一个Github repo来启用「在Colab中打开」按钮，你还需要运行:
heroku config:set GITHUB_TOKEN=<your-github-access-token>
heroku config:set REPO_NAME=<user/notebooks-repo>
测试
最后，进行测试即可：
pytest ./tests
该Web应用程序上线了，并且代码也已开源，感兴趣的小伙伴可以点击下方链接获取。
Web应用程序地址：
https://traingenerator.jrieke.com/
Github地址：
https://github.com/jrieke/traingenerator#installation
参考链接：
https://www.reddit.com/r/MachineLearning/comments/kd23vg/p_traingenerator_a_web_app_to_generate_template/
— 完 —
- 马斯克把超声波雷达也扔掉了！特斯拉再度减配：8摄像头终极传感器方案面世2022-10-05
- iPhone在6人死亡车祸中自动求救，网友：功能很好，但千万别用上2022-10-04
- 渐进派破壁：西有特斯拉，东有毫末智行！用数据智能推动自动驾驶历史进城2022-09-21
- 独家 | 吉利控股集团拟收购图森控股亚太地区业务全部股份，价格暂未公布2022-08-19
相关阅读
「AI岗面试必备」XGBoost、Transformer、BERT、水波网络原理解析
贪心学院特此组织了这次的学习小组计划，深入浅出讲解每个算法模型的每一个技术细节。对于想了解算法底层的朋友们来说，参加这次活动绝对有很大收获！
