連機(jī)器學(xué)習(xí)的代碼，也可以套模（tou）版（lan）了。

現(xiàn)在，有一個Web應(yīng)用程序，可以生成用于機(jī)器學(xué)習(xí)的模板代碼（demo），目前支持PyTorch和scikit-learn。

同時，對于初學(xué)者來說，這也是一個非常好的工具。在模版中學(xué)習(xí)機(jī)器學(xué)習(xí)的代碼，可以少走一些彎路。

這也難怪開發(fā)者在項目的介紹中，這樣寫道：

這非常適合機(jī)器學(xué)習(xí)的初學(xué)者！

這個名為traingenerator的項目，已于最近成功上線，并沖上了reddit的熱榜。

這，究竟是一個什么樣的項目，就讓我們來看一下。

選擇模型和參數(shù)，一鍵生成demo

在任務(wù)處理上，目前的任務(wù)目標(biāo)只有圖像分類這一種可供選擇。

不過，開發(fā)者說，有更多功能正在路上，比如目標(biāo)檢測、語義分割等任務(wù)目標(biāo)。

而目前，Web支持的框架有PyTorch和scikit-learn，如下圖所示，在選定框架后，模版會自動變換。

在PyTorch下，可使用的模型有：AlexNet、ResNet、DenseNet及VGG。

而在scikit-learn下，可選擇的模型有：Support vectors、Random forest、Perceptron、K-nearest neighbors及Decision tree。

之后，在下方，在選擇不同的模型下，還可以調(diào)節(jié)不同的訓(xùn)練參數(shù)。

此外，可輸入的數(shù)據(jù)有著兩種選擇：Numpy arrays和Image files。

最后，在demo輸出上，你也有三個選擇，能夠分別導(dǎo)出.py、Jupyter notebook和Google Colab三種文件格式。

目前，該項目已經(jīng)在網(wǎng)站上線，可以直接在網(wǎng)頁上（網(wǎng)頁地址可在文末獲取）操作上述內(nèi)容，并直接生成demo。

運行方法

另外，如果你想要在本地運行或者部署，開發(fā)者還貼心地提供了使用指南。

安裝

git clone https://github.com/jrieke/traingenerator.git cd traingenerator pip install -r requirements.txt

如果要使「在Colab中打開」生效，還需要設(shè)置一個Github repo來存儲筆記本文件（因為Colab只能打開Github上的公共文件）。

設(shè)置repo后，創(chuàng)建一個.env文件其中包含：

GITHUB_TOKEN= REPO_NAME=《user/notebooks-repo》

本地運行

streamlit run app/main.py

確保總是從traingenerator目錄（而不是從應(yīng)用程序目錄）運行，否則應(yīng)用程序?qū)o法找到模板。

部署到Heroku

首先，安裝heroku并登錄。要創(chuàng)建新部署的話，便在traingenerator內(nèi)部運行：

heroku create git push heroku main heroku open

之后，更新已部署的應(yīng)用程序，提交更改并運行：

git push heroku main

如果你設(shè)置了一個Github repo來啟用「在Colab中打開」按鈕，你還需要運行：

heroku config:set GITHUB_TOKEN= heroku config:set REPO_NAME=《user/notebooks-repo》

測試

最后，進(jìn)行測試即可：

pytest 。/tests

該Web應(yīng)用程序上線了，并且代碼也已開源，感興趣的小伙伴可以點擊下方鏈接獲取。

Web應(yīng)用程序地址：

https://traingenerator.jrieke.com/

Github地址：

https://github.com/jrieke/traingenerator#installation