代码规范

• 供其他人使用的代码最好写好功用和参数、返回值等注释，参数和返回值类型最好显式的标注数据类型

• 注释推荐采用VSCode插件"autoDocstring - Python Docstring Generator"进行模板生成

项目组织规范

• 可以被共享的工具类方法可以放在git主目录/tool下，作为tool工具包的一部分
• 其余代码可以存放在其他区域

您可以看一下当前git仓库的目录组织形式

├── classification_base_on_BOW.py
├── classification_base_on_CNN_&_vector.py
├── photo_gets.py
├── readme.md
├── data
│   ├── test(unlabeled).csv	 	(仓库未包含)
│   ├── train1补充.xlsx		   (仓库未包含)
│   ├── train1.csv				(仓库未包含)
│   ├── train2.csv				(仓库未包含)
│   └── train3.xlsx				(仓库未包含)
├── driver
│   └── chromedriver_win32
│       ├── chromedriver.exe
│       └── LICENSE.chromedriver
├── issue
│   ├── ISSUE.md
│   ├── RFC_230315_01.md
│   └── RFC_230316_01.md
├── log
│   └── log_2023_3_18.md
└── tool
    ├── classification_tool.py
    ├── evaluation_tool.py
    └── feature_extraction_tool.py

我怎么使用Tool？

如果您使用了tool库中我们定义的工具（主要用于做特征工程、分类和结果评估等）

且您的文件放置的路径和tool文件夹不在同一路径下，可以参考以下方式

import sys
sys.path.append("依据相对地址访问tool文件夹所在路径")

'''
如您的代码组织是
├── new
│   └── your_new_file.py
└── tool
    ├── classification_tool.py
    ├── evaluation_tool.py
    └── feature_extraction_tool.py

则在your_new_file.py中sys.path.append("..") 添加上层目录（tool就在这）
'''

版本管理规范

• 我们强烈建议你使用git clone在本地拉取一个和云端同步的库而不是选择把所有的文件拷贝下来。小项目代码变动大，您的代码很可能在几天后失效

• 推荐使用Github Desktop git可视化管理界面，您可以非常直观的查看当前版本有什么新的代码变动，以及更快捷的代码commit

  官网链接在这：GitHub Desktop | Simple collaboration from your desktop

提交规范

• 可以使用 pull request，也可以直接push
• 分支不要求干净

用例介绍

• classification_base_on_BOW.py

一个基于词袋模型特征模型和简单线性分类器的分类模型的Hello World 采集了train2.csv 婚恋交友 和 信贷理财 两个标签的 线性分类模型

• photo_gets.py

selenium实现对网页快照的截取(图片形式)

项目依赖

python解释器 3.7.16

spacy 3.5.0

• tool/classification_tool.py
• tool/feature_extraction_tool.py
• classification_base_on_BOW.py

numpy 1.21.6

• tool/evaluation_tool.py
• classification_base_on_BOW.py

selenium 4.8.2

• photo_gets.py

scikit-learn 1.0.2

• classification_base_on_BOW.py
• tool/feature_extraction_tool.py

openpyxl 3.1.2

• tool/classification_tool.py

pillow 9.4.0

• photo_gets.py

pytesseract 0.3.10

• photo_gets.py

tensorflow 2.11.0

• TextCNN/cnn_model.py

keras 2.11.0

• classification_base_on_CNN_&_vector.py

模型

• zh_core_web_md

nlp = spacy.load("zh_core_web_md)

• zh_core_web_sm

nlp = spacy.load("zh_core_web_sm)

如果您对搭建版本一致执行环境感到十分棘手，可以直接遵循以下指令保证开发环境的完全一致

# 使用Anaconda创建一个隔离的虚拟环境，指定python解释器版本
conda create -n YOUR_ENVS_NAME python=3.7
# 激活指定环境
conda activate YOUR_ENVS_NAME

#安装spacy和语言模型
#参考官网：https://spacy.io/usage
pip install -U pip setuptools wheel
pip install -U spacy
python -m spacy download zh_core_web_md

pip install scikit-learn
pip install keras
pip install tensorflow

pip install openpyxl

对GPU运算单元支持的项目依赖

利用GPU的多线程并行计算单元来提高大型矩阵运算的速度 在本项目中可以委托给GPU的任务包括：

• 神经网络的训练
• 词向量运算 要实现这一点，项目的源代码不需要进行太多的更改，归功于我们压根没有自己调用GPU编程接口，而是借助科学计算库实现运算细节，后者严密的封装让你一般不会关注你的运算任务到底由哪个硬件部件来完成

只需要确保本地环境有以下模块：

硬件：

• 支持CUDA 11.2的NVIDIA GPU

软件：

• CUDA 11.2
• CUDnn 8.1.0
• spacy 3.5.1 建议在一个全新的虚拟环境中安装spacy，它和原先的CPU计算环境不可兼容

CUDA 历史版本 CUDNN 历史版本

#spacy 基于pip工具的安装方式
pip install -U spacy[cuda112]

坏消息

tensorflow 2.6.0以后的新版本未测试对GPU运算的支持（它们大概率在GPU上跑不起来） 而tensorflow 2.6.0以前的版本的软件依赖又和spacy[cuda112]产生了冲突 因此目前的解决方案是将spacy词向量的运算交给GPU，而神经网络训练依然交给CPU 我们的tensorflow采用和之前相同的2.11.0即可 为了实现GPU数据和CPU数据的转换，spacy输出的词向量将转换为ndarray（CPU格式的数组）后交给tensorflow 这是classification_base_on_CNN_&vector_GPU和classification_base_on_CNN&_vector较大的不同

tensorflow2.11.0在我的环境中默认不使用GPU，如果你发现它使用了，使用以下代码禁用

import os
os.environ["CUDA_VISIBLE_DEVICES"]="-1" 
import tensorflow as tf
#...

模型命名规范

model_分类数_每个分类文本数_每个文本单词数_训练日期

文件描述

train_with_split_data_BERT_BILSTM_sentence_input limited_test_6_12.py 减少数据集的测试代码