DeepHyperX 使用教程

DeepHyperX 使用教程

DeepHyperX Deep learning toolbox based on PyTorch for hyperspectral data classification. 项目地址: https://gitcode.com/gh_mirrors/de/DeepHyperX

1. 项目目录结构及介绍

DeepHyperX 是一个基于 PyTorch 的用于高光谱数据分类的深度学习工具箱。项目目录结构如下：

DeepHyperX/
├── .github/
│   └── ISSUE_TEMPLATE
├── .vscode/
│   └── ...
├── Dockerfile
├── License
├── README.md
├── custom_datasets.py
├── datasets.py
├── inference.py
├── main.py
├── models.py
├── requirements.txt
├── start.sh
└── utils.py

• .github/: 存放 GitHub 使用的模板文件。
• .vscode/: 存放 Visual Studio Code 项目的配置文件。
• Dockerfile: 用于构建 Docker 容器的配置文件。
• License: 项目的许可协议文件。
• README.md: 项目的说明文档。
• custom_datasets.py: 用于添加自定义数据集的 Python 文件。
• datasets.py: 用于处理和加载不同数据集的 Python 文件。
• inference.py: 用于模型推理的 Python 文件。
• main.py: 项目的启动文件，用于运行实验和训练模型。
• models.py: 定义了各种深度学习模型的 Python 文件。
• requirements.txt: 项目依赖的 Python 包列表。
• start.sh: 用于启动 Visdom 服务的 shell 脚本。
• utils.py: 存放项目通用的工具函数。

2. 项目的启动文件介绍

项目的启动文件是 main.py，它是运行实验和训练模型的入口。以下是一些基本的命令行参数示例：

python main.py --model SVM --dataset IndianPines --training_sample 0.3

这条命令将在 Indian Pines 数据集上运行 SVM 模型，并使用 30% 的样本进行训练。

main.py 文件支持多个参数，以下是一些常用的参数：

• --model: 指定要使用的模型类型（例如：svm, nn, hamida 等）。
• --dataset: 指定要使用的数据集（例如：PaviaC, PaviaU, IndianPines 等）。
• --training_sample: 指定训练样本的比例。
• --cuda: 如果可用，将使用 GPU 进行训练。

3. 项目的配置文件介绍

项目的配置文件主要是 requirements.txt，它列出了项目依赖的 Python 包。要安装这些依赖项，可以在项目根目录下运行以下命令：

pip install -r requirements.txt

对于 Windows 用户，可能需要添加 -f https://download.pytorch.org/whl/torch_stable.html 以正确安装 PyTorch。

此外，custom_datasets.py 也可以被视为一个配置文件，它允许用户添加和配置自定义数据集。开发者需要在该文件中添加一个新的数据集条目，并为其定义一个特定的数据加载器。

DeepHyperX Deep learning toolbox based on PyTorch for hyperspectral data classification. 项目地址: https://gitcode.com/gh_mirrors/de/DeepHyperX