EasyTrain 模型训练辅助工具
用EasyTrain训练第一个MMEdu模型！
以训练一个“石头剪刀布”三分类的图像分类模型为例
step 3：数据集选择
在训练中要指定训练的数据集，网页会读取XEdu/datasets文件夹中相应的任务之下数据集。数据集的格式要求为：ImageNet格式（分类任务），COCO格式（检测任务）。
一键安装包中自带分类任务数据集：hand_gray;检测任务数据集：plate。
该任务选择hand_gray数据集。
其他数据集需要自行下载添加，详细步骤在文件夹中的txt文件中
怎么传入自己的数据集？
如果要使用自己的数据集需要将数据集放置在XEdu/datasets相应的任务之下（分类任务mmedu_cls/检测任务mmedu_det），再刷新一下网页即可再数据集菜单选项中看到对应的数据集。例如现在我想做分类任务，在分类任务mmedu_cls文件夹下放置我的数据集“my_newdataset”（如下图所示），刷新网页成功出现。
step 4：参数设置
点击“设置基本参数↓”，可以设置学习率，批次大小，训练轮数，随机种子。完成设置后点击“确认”按钮，成功设置会弹出窗口提醒设置成功。
点击“设置其他训练参数”，可以设置分类数量（仅用于分类任务），优化器，权重衰减、设备、预训练模型。完成设置后点击“提交”按钮。
*预训练模型放置位置标准：XEdu/checkpoints/训练任务/数据集名（严格一致）/预训练模型.pth
更多参数学习请跳转深度学习训练参数详解
在完成参数设置后，点击右侧的”生成代码”，可以生成训练代码，生成代码之后才可以训练。 生成的代码会显示在上方的代码框，点击右上角复制按钮还可以一键复制代码，到其他的IDE中运行代码。
step 5：开始训练
代码生成之后点击”进入训练”按钮即可跳转至训练页面，工具会先检查你的电脑有没有安装MMEdu的库，如果没有请先去”小黑窗“进行pip安装MMEdu。
点击“开始训练”按钮即可一键开始训练模型。
出现“loading”表示模型正在训练中，由于本地cpu训练模型的速度较慢，请耐心等待，可以先去喝杯水休息一下~
若想中断训练，可以点击“停止训练”按钮。
在训练过程中，loss曲线会实时显示在左侧的Loss Chart框中，accuracy曲线会实时显示在左侧的Accuracy Chart框中。坐标轴的横坐标为训练轮数，纵坐标为对应数值。
自己训练的模型文件将保存在XEdu/my_checkpoints中。每次训练都会生成一个文件夹，可以通过文件夹名称上的日期时间找到对应的模型。
完成模型训练之后，窗口会弹出模型转换，可以点击“是”可实现best_accuracy的pth格式模型转为onnx格式。若要自行转换可使用EasyConvert。
如需尝试用代码完成MMEdu模型训练或了解MMEdu具体功能，请参照MMEdu的教程。
用EasyTrain训练第一个BaseML模型！
以使用KNN算法对鸢尾花（Iris）数据集进行分类为例
step 2：模型选择
在选择了训练任务类型之后，点击“下一步”，进入模型选择页面，选择训练的模型。训练模型会根据任务对应更改。可点击“了解更多”按钮了解模型，对应机器学习典型算法。
该任务选择K临近（KNN）算法。
step 3：数据集选择
在下拉框中指定训练的数据集，网页会读取XEdu/datasets/baseml（或XEdu/datasets/basenn）之下数据集。一键安装包中已自带一些数据集，也可以自己放入新的数据集。
数据集的格式要求为：csv文件(BaseML任务)。针对BaseML特别有这样的约定：第一行为表头，纵向每行为一条样本，横向每列为一个特征，最后一列作为标签列（如果是分类任务，则需要是自然数，如果是回归任务，需要是实数，如果是聚类任务，则不需要这一列）。
step 4：参数设置
点击“设置基本参数↓”，可以设置各种参数，一般保持默认即可。可以设置数据乱序随机种子、高级参数设置、数据验证策略（回归任务默认选择”r2”，分类任务默认选择”acc”，如果要修改为其他策略可以填空来设置）。
在完成参数设置后，点击右侧的”生成代码”，可以生成训练代码，注意需要生成代码之后才可以进入训练。 生成的代码会显示在上方的代码框，点击右上角复制按钮还可以一键复制代码，到其他的IDE中运行代码。
用EasyTrain训练第一个BaseNN模型！
以搭建全连接神经网络训练运维话分类模型为例
step 1：数据集选择
EasyTrain界面打开之后，选择BaseNN页面，在下拉框中指定训练的数据集，网页会读取XEdu/datasets/basenn之下数据集。一键安装包中已自带一些数据集，也可以自己放入新的数据集。
数据集的格式要求为：csv文件(BaseNN任务)。纵轴为样本，横轴为特征，第一行为表头，最后一列为标签。
step 2：模型搭建
点击“添加网络层”可以增加网络层，点击右侧“×”可以减少网络层。
注意：
第一层的输入维度要和数据集的特征维度（特征的数量）相等。
因为数据是从上一层流向下一层，因此下一层的输入维度要和上一层的输出维度保持相等。
最后一层的输出维度要和类别数相同。
该任务的数据集有四列特征数据，因此第一层输入维度为4，有三个类别的鸢尾花，最后一层输出维度为3，中间的隐藏层可自由搭建。
step 3：参数设置
点击“设置基本参数↓”，可以设置学习率，批次大小，训练轮数，随机种子。完成设置后点击“确认”按钮，成功设置会弹出窗口提醒设置成功。
点击“设置其他训练参数”，可以设置分类数量（仅用于分类任务），优化器，权重衰减、设备、预训练模型。完成设置后点击“提交”按钮。
*预训练模型放置位置标准：XEdu/checkpoints/训练任务/数据集名（严格一致）/预训练模型.pth
更多参数学习请跳转深度学习训练参数详解
在完成参数设置后，点击右侧的”生成代码”，可以生成训练代码，生成代码之后才可以训练。 生成的代码会显示在上方的代码框，点击右上角复制按钮还可以一键复制代码，到其他的IDE中运行代码。
step 4：开始训练
代码生成之后点击”进入训练”按钮即可跳转至训练页面，工具会先检查你的电脑有没有安装BaseNN的库，如果没有请先去”小黑窗“进行pip安装BaseNN。
点击“开始训练”按钮即可一键开始训练模型。
出现“loading”表示模型正在训练中，但是也有可能是因为没有安装相应的库，数据集路径错误，数据集为空等等原因导致训练失败，所以先检查一下后台”小黑窗“有没有报错。
如果有报错，修改相应的错误，再通过刷新页面或者关闭”小黑窗“重启工具的方式重新训练。如果没有报错，请耐心等待，由于本地cpu训练模型的速度较慢，可以先去喝杯水休息一下~
若想中断训练，可以点击“停止训练”按钮。
在训练过程中，loss曲线会实时显示在左侧的Loss Chart框中，accuracy曲线会实时显示在左侧的Accuracy Chart框中。坐标轴的横坐标为训练轮数，纵坐标为对应数值。
自己训练的模型文件将保存在XEdu/my_checkpoints中。每次训练都会生成一个文件夹，可以通过文件夹名称上的日期时间找到对应的模型。
完成模型训练之后，窗口会弹出模型转换，可以点击“是”可实现pth格式模型准换成onnx格式模型。若要自行转换可使用EasyConvert。
如需尝试用代码完成BaseNN模型训练或了解BaseNN具体功能，请参照BaseNN的教程。
常见错误排查
1.打开网页显示错误（404）
问题描述：运行”easytrain.bat”打开网页显示错误（404）
解决：EasyTrain基于Flask开发。如果在运行时出现这样的错误：
hostname,aliases,ipaddrs = gethostbyaddr(name)InicodeDecodeError: 'utf-8' codec can't decode byte 0xdl in position 7: invalid continuation bvte。
请检查电脑名称和用户名是否为中文，修改为英文后重新启动即可。
2.生成代码正常，但是进入训练时没有反应。
问题描述：根据网页提示，一步一步操作后生成代码，但是点击“进入训练”就一直在转圈。
解决：EasyTrain的生成代码部分基于Flask开发，进入训练则需要XEdu环境，包括BaseML、BaseNN、MMEdu等。点击“进入训练”后会在主目录下生成对应的“***code.py”的文件。如果训练时页面没有反应，请用Python IDE工具（如Thonny）打开并运行，再根据错误提示进行排查。注意：必须要确保用Thonny、Jupyter能够训练模型。
注意事项
请确认选择的数据集不为空，且数据集格式正确。
一部分参数有范围，例如学习率只能为正值，轮数只能为正整数，请选择合理范围的参数。
关于设备类型，如果没有安装GPU版本的XEdu各模块，则不能以cuda设备运行，只能选择cpu。
请确认推理时选择的网络是否与权重文件匹配，如果不匹配会报错。