【前言】現在深度學習項目代碼量越來越大，並且單個文件的量也非常的大。筆者總結了一些專家的經驗並結合自己看的一些項目，打算總結一下如何探索和深入一個深度學習項目庫。筆者pprp，未經允許不得擅自轉發。
1. 基礎知識
首先，需要保證有一定的深度學習基礎知識，吳恩達的深度學習課還有斯坦福大學的CS231n都是不錯的入門教程，只需要有大學數學的基礎就可以看懂。
然后，需要對Linux系統使用有一定的了解，一般選擇Ubuntu系統作為主力系統，了解一下基礎的系統命令就可以了，比如rm,ls,cd,cat,vim,sudo,find,df,top等，在B站上搜索一下Linux的視頻，很快就可以入門。之后遇到新的命令只需要查詢API即可。
其次，還需要保證對python語言和深度學習框架的了解，python上手是很快的，可以看一下菜鳥教程或者莫煩python教程，上首頁很快。深度學習框架方面可以買一些書籍，邊看邊敲，找一個小項目敲一敲，了解一下大部分API就已經達到上手水平了。深度學習框架一般選tensorflow、pytorch，因為大部分項目大多是基於這兩個框架的。他們官方網站的教程也是非常不錯的參考，可以看看官方提供的教程，跑一下github上提供的demo。
最后，營造科研的環境，可以關注一些領域相關的大牛、公眾號，也可以加入一些交流群，多和群友交流，盡可能提升領域的常識。不要亂問問題，一定要有自己的思考和想法，然后再到群里問問題和交流。
2. 項目分析閱讀
從Github上拿到一個項目，可以按照以下的步驟進行分析和閱讀。
-
項目背景調研：
- 項目是否是對應一篇論文？如果對應論文，可以先閱讀一下Paper，對背景和項目的細節有一個大概的了解。
- 項目是否有說明文檔？一般比較大型的項目，比如pytorch,nni,mmdetection等較多人維護的項目是會在readthedoc上提供說明書，建議優先閱讀說明。
- 項目是否有README？README文件通常包含了項目創建者想要告訴你的信息，對於一些專業的項目庫而言，閱讀README文件絕對對你理解整個項目代碼有幫助。
- 什么都沒有？？極少數會遇到這種情況，但如果遇到的話，就進行下一個階段吧。
-
通過文件命名分析：
- 根據文件夾、文件的命名，判斷其可能的功能。一般在深度學習項目中，通常有幾部分組成：
- 數據處理、數據加載部分，通常命名可能有xxx_dataloader.py等
- 網絡模型構建部分，通常命名可能為 resnet20.py model.py等
- 訓練部分腳本，通常命名可能為train.py等
- 測試部分腳本，通常命名可能為test.py eval.py 等
- 工具庫，通常命名為utils文件夾。
- 舉個例子，以once for all項目為例：
- 根據文件夾、文件的命名，判斷其可能的功能。一般在深度學習項目中，通常有幾部分組成：
.
├── build.sh # 環境構建
├── eval_ofa_net.py
├── eval_specialized_net.py # 驗證專用網絡
├── figures
│ ├── cnn_imagenet_new.png
│ ├── diverse_hardware.png
│ ├── imagenet_80_acc.png
│ ├── ofa-tutorial.jpg
│ ├── overview.png
│ └── video_figure.png
├── LICENSE
├── ofa
│ ├── imagenet_classification
│ │ ├── data_providers # 數據加載
│ │ ├── elastic_nn # 算法核心模塊
│ │ ├── __init__.py
│ │ ├── networks # 網絡構建
│ │ └── run_manager # 訓練代碼核心邏輯
│ ├── __init__.py
│ ├── model_zoo.py # 模型庫
│ ├── nas # nas相關工具
│ │ ├── accuracy_predictor
│ │ ├── efficiency_predictor
│ │ ├── __init__.py
│ │ └── search_algorithm
│ ├── tutorial # 教程
│ │ ├── accuracy_predictor.py
│ │ ├── evolution_finder.py
│ │ ├── flops_table.py
│ │ ├── imagenet_eval_helper.py
│ │ ├── __init__.py
│ │ └── latency_table.py
│ └── utils # 工具庫
│ ├── common_tools.py
│ ├── flops_counter.py
│ ├── __init__.py
│ ├── layers.py
│ ├── my_dataloader
│ ├── my_modules.py
│ ├── pytorch_modules.py
│ └── pytorch_utils.py
├── README.md # 項目介紹，初次接觸需要閱讀
├── requirements.txt # 環境文件
├── setup.py # pip構建環境所需文件
├── train_ofa_net.py # 訓練腳本
└── tutorial # 教程
├── local_lut.npy
├── ofa.ipynb
├── ofa_resnet50_example.ipynb
└── README.md
- 找到程序運行入口：
- 通過上一步的分析，找到了項目的介紹的話，在自己機器上完成環境配置。
- 一般可以找到項目運行的主入口，比如train.py，試着運行項目。
- 遇見bug怎么辦？
- 第一類bug，環境不兼容導致的bug，嚴格按照作者提供的運行環境，並對照環境的版本信息，對齊本地環境和作者要求的環境。
- 第二類bug，深度學習框架帶來的bug，這部分bug可以在bing上進行搜索，查看解決方案。
- 第三類bug，項目本身相關的bug，這類bug最好是在github的issue區域進行查找，如果無法解決可以在issue部分詳細描述自己的問題，等待項目庫作者的解答。
- 運行順利的話，代表可以進行debug操作，對文件某些細節不確定的話，可以通過debug的方式查看變量詳細內容。
- 用IDE打開項目：
- 筆者是vscode黨，推薦使用vscode+scp+mobaxterm+遠程服務器的方式進行運行。
- 打開項目以后，從運行入口（通常是train.py）開始閱讀：
- 閱讀入口文件的邏輯，查看調用到了哪些包。
- 通過IDE的功能跳轉到對應類或者函數進行繼續閱讀，配合代碼注釋進行分析。
- 分析過程可能會需要軟件工程的知識，比如畫一個類圖來表述項目的關系。
- 一開始可以泛讀，大概了解整體流程，做一些代碼注釋。而后可以精讀，找到文章的核心，反復理解核心實現，抽絲剝繭，一定可以對這個項目有進一步的理解。
- 實在讀不懂怎么辦？
- 在Github的issue上進行提問。
- 如果有項目作者的聯系方式，可以聯系作者，發郵件提問。
- 看看有沒有其他人寫過相關的博客。
參考
https://www.zhihu.com/question/26480537
https://www.zhihu.com/question/29416073/answer/44301979
https://github.com/phodal/articles/issues/14