创建源代码的目录树

生成源代码的目录树

​ 很多时候，由于工程量太大，导致代码量过多，作为一个新入门的小白程序员，实在是记不住，也学不会这么多的代码，这个时候就需要对这些代码进行一些梳理。这里我们要用一个简单的函数来构建源代码的目录树。

调用python库

from pathlib import Path

pathlib.Path库是一个面向对象的文件系统路径，但与纯路径表示不同的是，它提供了对Path对象进行调用的一系列方法。

​ 这里我们主要调用的Path方法包括：

Path.name：获取路径对象的文件名称或文件夹名称；
Path.parent：获取路径对象的逻辑父路径；
pathname.relative_to(pathname.parent)：获取文件夹相对于父路径的名称；
Path.is_file()：判断路径指向的对象是否为文件；
Path.is_dir()：判断路径指向的对象是否为文件夹：
Path.iterdir()：路径对象下的路径对象迭代。

分而治之

​ 对于文件夹和文件名，我们需要进行分而治之，文件名只需要按照一定格式添加名称，对于文件夹，则需要添加名称，并对文件夹下面的路径对象进行迭代处理。最终的生成树的代码如下：

##paragrams
##    pathname 面向对象的路径
##	  n:控制路径的空格输出次数
##
def generate_tree(pathname, n=0):
	global tree_str
	if pathname.is_file():
		tree_str += '    |' * n + '-' + pathname.name + '\n'
	if pathname.is_dir():
		tree_str += '    |' * n + '-' + pathname.name + "\\" + '\n'
		for cp in pathname.iterdir():
			generate_tree(cp, n+1)

完整代码如下：

from pathlib import Path

tree_str = ""

##paragrams
##    pathname 面向对象的路径
##	  n:控制路径的空格输出次数
##
def generate_tree(pathname, n=0):
	global tree_str
	if pathname.is_file():
		tree_str += '    |' * n + '-' + pathname.name + '\n'
	if pathname.is_dir():
		tree_str += '    |' * n + '-' + pathname.name + "\\" + '\n'
		for cp in pathname.iterdir():
			generate_tree(cp, n+1)
			
##    创建路径对象，调用函数
##    输出目录树
##
if __name__ == "__main__":
	path = './code'
	generate_tree(Path(path), 0)
	print(tree_str)

输出结果

​ 最近正在学Yolov3-resnet18，所以打印了一下目录树，结果如下:

-YoloV3_modelzoo\
    |-code\
    |    |-args_multi.py
    |    |-args_single.py
    |    |-coco_minival_anns.py
    |    |-coco_trainval_anns.py
    |    |-convert_weight.py
    |    |-data\
    |    |    |-5k.txt
    |    |    |-coco.names
    |    |    |-coco2014_minival.txt
    |    |    |-coco2014_trainval.txt
    |    |    |-darknet_weights\
    |    |    |    |-checkpoint
    |    |    |    |-readme
    |    |    |-demo_data\
    |    |    |    |-dog.jpg
    |    |    |    |-kite.jpg
    |    |    |    |-messi.jpg
    |    |    |    |-results\
    |    |    |    |    |-dog.jpg
    |    |    |    |    |-kite.jpg
    |    |    |    |    |-messi.jpg
    |    |    |-my_data\
    |    |    |    |-readme
    |    |    |-yolo_anchors.txt
    |    |-Dockerfile
    |    |-docker_start.sh
    |    |-docs\
    |    |    |-backbone.png
    |    |    |-yolo_v3_architecture.png
    |    |-eval.py
    |    |-eval.sh
    |    |-eval_coco.py
    |    |-frozen_graph.py
    |    |-get_kmeans.py
    |    |-gitignore
    |    |-hccl_config\
    |    |    |-1p.json
    |    |    |-2p.json
    |    |    |-4p.json
    |    |    |-8p.json
    |    |-infer_from_pb.py
    |    |-LICENSE
    |    |-misc\
    |    |    |-experiments_on_voc\
    |    |    |    |-args_voc.py
    |    |    |    |-eval_voc.py
    |    |    |    |-train.txt
    |    |    |    |-val.txt
    |    |    |    |-voc.names
    |    |    |-parse_voc_xml.py
    |    |    |-remove_optimizers_params_in_ckpt.py
    |    |-model.py
    |    |-modelarts\
    |    |    |-args_modelarts_multi.py
    |    |    |-args_modelarts_single.py
    |    |    |-frozen_graph.py
    |    |    |-__init__.py
    |    |-moxing_tensorflow-1.17.3.7c138bbd-py2.py3-none-any.whl
    |    |-npu_train.sh
    |    |-npu_train_1p_multi.sh
    |    |-npu_train_1p_single.sh
    |    |-npu_train_8p_multi.sh
    |    |-npu_train_8p_single.sh
    |    |-npu_train_wort.sh
    |    |-pip-requirements.txt
    |    |-README.md
    |    |-README_raw.md
    |    |-requirements.txt
    |    |-run_yolov3.sh
    |    |-test_single_image.py
    |    |-train.py
    |    |-utils\
    |    |    |-data_aug.py
    |    |    |-data_utils.py
    |    |    |-eval_utils.py
    |    |    |-layer_utils.py
    |    |    |-misc_utils.py
    |    |    |-nms_utils.py
    |    |    |-plot_utils.py
    |    |    |-__init__.py
    |    |-video_test.py
    |-config.yaml
    |-pretrained_model\
    |    |-checkpoint
    |    |-darknet53.ckpt.data-00000-of-00001
    |    |-darknet53.ckpt.index
    |    |-darknet53.ckpt.meta

​ 然后可以删除掉一些不需要使用文件标注，对剩余文件进行功能标注，标注的结果如所示：

YoloV3_modelzoo/
|- config.yaml     # 创建算法配置
|- code         # 脚本目录
  |- args_multi.py               # 多尺度参数配置文件(裸机和容器中使用)
  |- args_single.py              # 单尺度参数配置文件(裸机和容器中使用)
  |- coco_minival_anns.py        # coco验证集标注生成脚本
  |- coco_trainval_anns.py       # coco训练集标注生成脚本
  |- convert_weight.py           # darknet预训练模型转ckpt脚本
  |- data                         # 包含训练使用的预训练模型、训练集标注、验证集标注、anchor、类 别名称
  |- modelarts                   # modelarts的参数配置文件
  |- docs                         # 说明文档
  |- eval_coco.py                # 计算coco map的脚本
  |- eval.py                     # 测试脚本
  |- eval.sh                     # 测试启动脚本
  |- get_kmeans.py               # 生成anchor的脚本
  |- hccl_config                 # 包含不同p下的hccl配置文件
  |- misc                          # 源代码包含，未使用
  |- model.py                      # 模型构建文件
  |- npu_train_1p_multi.sh         # 单p多尺度训练启动脚本
  |- npu_train_1p_single.sh        # 单p单尺度训练启动脚本
  |- npu_train_8p_multi.sh         # 8p多尺度训练启动脚本
  |- npu_train_8p_single.sh        # 8p单尺度训练启动脚本
  |- npu_train.sh                  # 环境变量设置，执行run_yolov3.sh
  |- npu_train_wort.sh             # 环境变量设置，执行run_yolov3.sh
  |- README.md                     # Readme说明文档
  |- README_raw.md                 # 原始仓Readme说明文档
  |- run_yolov3.sh                 # 启动train.py
  |- test_single_image.py          # 测试一张图片
  |- train.py                      # 构建训练脚本，主入口脚本
  |- utils                         # 工具包，包括数据预处理、nms等脚本
  |- video_test.py                 # 源代码包含，未使用
  |- requirements.ini           # 配置希望从http地址下载的whl包依赖
  |- pip-requirements.txt       # 配置希望从pip源安装的依赖
|- pretrained_model     # 预训练模型，从文件服务器拷贝
  |- darknet53.ckpt.meta
  |- darknet53.ckpt.index
  |- darknet53.ckpt.data-00000-of-00001