Deep Leaning Project Template
深度学习项目模板。
本项目针对为Tensorflow V2环境之下编写深度学习的项目提供一个统一的模板类，将整一个深度学习的项目概括为以下部分组成：
- Preprocessor：对数据进行一定程度的预处理。（可选）
- Dataloader：创建一个用于加载数据的加载器，在V2中主要指了创建一个
tf.data.Dataset类。 - Model：定义一个深度神经网络，最终的结果应该是创建一个
tf.keras.Model类。 - Trainer：主要负责定义一个具体的训练过程中，如何使用数据集和模型，内部应该定义具体的训练策略。
- Config：Config类是作为参数来使用的，用于在以上的各个类中传递深度学习所需的超参数、配置参数等。
获取与使用
推荐通过Git的submodule来添加这一个项目为一个子模块。 但如果在子模块内对这一Template项目做了更改，这些修改只能提交到子模块所属的Git项目中。（详见关于git submodule的相关介绍，推荐先详细阅读submodule的使用指南）因此如果有修改需要，推荐先Fork一份来自用。
submodule的添加使用以下shell命令：
git submodule add git@github.com:AcherStyx/Deep-Leaning-Project-Template.git templates执行后会新增一个.gitmodules文件和templates文件夹，提交更改的时候把两者的更改一起提交即可。
在其他Python代码中，通过执行：
from templates import *即可导入所有的模板。
模板类
ConfigTemplate
Config类没有给出明确的定义，一个Config的创建方式应该是通过其__init__的参数提供具体的配置取值。
class XXX_TrainerConfig(ConfigTemplate):
def __init__(learning_rate, epoch):
self.LR = learning_rate
self.EPOCH = epoch在之后的所有类中，初始化时大多都需要提供一个Config来传递配置，并赋值到self.config，所以通过self.config.XXX即可访问到对应的配置。
DataLoaderTemplate和PreprocessorTemplate
无论是DataLoader还是Preprocessor都是用于数据加载的，DataLoaderTemplate也是继承自PreprocessorTemplate。
主要的区别在于DataLoader是用于最终创建一个Dataset的，准确地说应该创建一个可以直接使用的tf.data.Dataset类，因此多了load()方法，并且需要注意的是load()在__init__()中自动进行了调用，必须复写load()方法。在load()中需要定义完整的数据加载的代码，并最终将创建好的数据集赋值给self.dataset。
class XXX_DataLoader(DataLoaderTemplate):
def load():
...
self.dataset = tf.data.Dataset.from_tensor_slice((image, label))通过get_dataset()方法返回self.dataset变量。
ModelTemplate
Model中应该给出一个Tensorflow下网络模型的具体定义的代码，通过Keras的API创建一个tf.keras.Model类。（具体创建方法可参考官方文档，keras函数式API）
创建完成的model应该赋值给self.model。
TrainerTemplate
一个Trainer主要负责定义训练的过程，因此Trainer初始化时需要将Model和Dataset都传入。在Trainer中定义模型该怎样从Dataset中取出数据，并提供给Model训练。