Review-2019.1.1-李嘉诚

新年第一天，想干活，希望自己进入下一个阶段。

之前的工作

因为考研，很久没写周报。之前写论文，完善了自己的方法的代码，后续交给了老师和李明鸣学长完成。在之前的项目中，我感受到了如下的强烈需要：

一个完整的实验条件，参数，运行结果和数据的管理系统。由于我的实验涉及多种类型的网络，多种loss的比较，不同参数的设定，最终实验结果也存在着除了best_checkpoint以外的其他checkpoint的测试。排列组合得到的实验组数可以达到上百个，我是通过文件夹的名称和修改日期来做判断的，但是显然不方便。并且我没有一个统一的格式记录文件，每次都是凭记忆找到合适的checkpoint文件临时运行test测试。
一个可以重复利用的框架，内容包含「数据读取，变形，格式转换」，「测试方法，AUC，ROC等」，「绘制」等，对于不同的任务只需要定义网络和训练方法，这样可以加快学习进度，快速实现论文方法。
（暂时还未）一个能代替手动迁移代码，环境和数据的脚本，并不是分布式计算，但是今后会考虑，因为到了实验后期，如果要赶进度，会把代码放到几台机器上跑，手动效率低，且管理混乱。

已经配置完成我的主机并开放了ssh和vnc的端口，再也不用teamviewer，后期会考虑开放部分资源给大家使用。目前环境cuda 10, cudnn7.2。
整理过去项目的代码，加入到自己的SwiftPyTorchDPFrame https://github.com/Jiaoma/SwiftPyTorchDPFrame 中，目前完成进度< 30%:

< Functions includes:
- 1.IO
- 2.train strategy
- 3.test methods
- 4.data preprocess
- 5.display
- 6.useful tools like epoche counter, initial methods
- 7.management of experient conditions and results, using a unified form to record the config and training&test result
- 8.offer easy way to transfer your code, virtual running environment and data to another machine, and return the result to your machine. (planning) >
已看Higher-order Statistical Modeling based Deep CNNs, 但是仅会议pdf，需进一步通过论文了解他们的工作。复核了自己之前的论文，觉得在结果出来前有必要更多地了解他们的工作，我缺乏理论的尝试需要理论去支撑，和进一步改进。
正在看DUNet，计划在下周实现在框架中。
已下载Google的Quick Draw! dataset，已存入李老师网盘的训练数据。（仅二进制格式，读取方法见quick draw dateset github https://github.com/googlecreativelab/quickdraw-dataset）
把steam卸了。