机器学习在线选择模型和参数，一键生成demo

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= 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= 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