ttvnet / README.md
RRFRRF's picture
update readme
e66e7de
---
license: mit
---
# 模型训练过程汇总(持续更新中)
本仓库按照模型类别和名称进行组织,具体结构如下:
- **一级目录**:代表不同的模型类别。
- **二级目录**:在每个模型类别下,进一步细分为具体的模型名称。
- **三级目录**:在每个模型名称下,包含以下三个部分:
- `code`:存放与模型相关的代码和训练脚本。(现增加了训练过程的记录,三种`.log`文件记录训练过程)
- `model`:收集的模型训练过程,(一级子目录:对应不同数据集),(二级子目录:增加了训练变体的记录,子目录0存储正常训练的过程,字目录1存储数据增强训练的过程,字目录2存储后门攻击训练的过程),(三级子目录:包括每个epoch的`.pth`模型权重文件、`.npy`训练中收集的embedding,以及`index.json`文件,后者包含了embedding对应的数据集中数据点的索引列表)。
- `dataset`:提供模型训练使用的数据集,可以是解压后的文件夹形式,或者压缩包形式`dataset.zip`(可以包含多个数据集,需要在代码中进行切换)。
下表汇总了所有收集的模型训练过程信息:
<table>
<tr>
<th>模型名称</th>
<th>模型简介</th>
<th>模型类型</th>
<th>Epoch数量</th>
<th>数据集信息</th>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Clone-detection-BigCloneBench" target="_blank">Clone-detection-BigCloneBench</a></td>
<td>基于大规模代码克隆基准数据集的代码克隆检测模型,任务是进行二元分类(0/1),其中1代表语义等价,0代表其他情况。</td>
<td>代码克隆检测</td>
<td>待上传</td>
<td>BigCloneBench数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Clone-detection-POJ-104" target="_blank">Clone-detection-POJ-104</a></td>
<td>基于POJ-104数据集的代码克隆检测模型,任务是识别不同编程题目中相似的代码实现,给定一段代码和一组候选代码,任务是返回具有相同语义的Top K个代码</td>
<td>代码克隆检测</td>
<td>待上传</td>
<td>POJ-104编程题目数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/CodeCompletion-token" target="_blank">CodeCompletion-token</a></td>
<td>基于token级别的代码自动补全模型</td>
<td>代码补全</td>
<td>待上传</td>
<td>Java代码token序列数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Defect-detection" target="_blank">Defect-detection</a></td>
<td>代码缺陷检测模型,通过分析代码来识别潜在的缺陷和错误(进行二元分类(0/1))</td>
<td>代码缺陷检测</td>
<td>待上传</td>
<td>包含缺陷标注的C语言代码数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/code-refinement" target="_blank">code-refinement</a></td>
<td>代码优化模型</td>
<td>代码优化/重构</td>
<td>待上传</td>
<td>代码优化前后对数据集(C语言)</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Text/code-to-text" target="_blank">code-to-text</a></td>
<td>代码到自然语言的转换模型</td>
<td>代码注释生成</td>
<td>待上传</td>
<td>多语言代码-文本对数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/NL-code-search-Adv" target="_blank">NL-code-search-Adv</a></td>
<td>高级自然语言代码搜索模型,通过计算自然语言查询与代码片段之间的相似性来实现代码搜索,</td>
<td>代码搜索</td>
<td>待上传</td>
<td>自然语言-(python)代码对数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/NL-code-search-WebQuery" target="_blank">NL-code-search-WebQuery</a></td>
<td>基于Web查询的代码搜索模型,该模型通过编码器处理代码和自然语言输入,并利用多层感知器(MLP)来计算相似性得分</td>
<td>代码搜索</td>
<td>待上传</td>
<td>Web查询-代码对数据集(CodeSearchNet数据集和CoSQA数据集(python))</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/text-to-code" target="_blank">text-to-code</a></td>
<td>自然语言到代码的生成模型</td>
<td>代码生成</td>
<td>待上传</td>
<td>文本描述-代码(c语言)对数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Graph" target="_blank">GraphMAE_QM9</a></td>
<td>在QM9数据集上训练的图掩码自编码器,通过对分子图中的原子的坐标以及类型进行预测实现自监督训练</td>
<td>图自编码器</td>
<td>待上传</td>
<td>分子属性预测数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/AlexNet" target="_blank">AlexNet</a></td>
<td>2012年获得ImageNet冠军的经典模型,首次证明了深度学习在图像识别上的强大能力。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/DenseNet" target="_blank">DenseNet</a></td>
<td>每一层都直接与其他所有层相连,像搭积木一样层层堆叠,可以更好地学习图像特征。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/EfficientNet" target="_blank">EfficientNet</a></td>
<td>通过平衡网络的深度、宽度和图像分辨率,用更少的计算量达到更好的效果。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/GoogLeNet" target="_blank">GoogLeNet</a></td>
<td>谷歌开发的模型,像多个眼睛同时看图片的不同部分,既省资源又准确。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/LeNet5" target="_blank">LeNet5</a></td>
<td>深度学习领域的开山之作,虽然简单但奠定了现代CNN的基础架构。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv1" target="_blank">MobileNetv1</a></td>
<td>专门为手机设计的轻量级模型,用特殊的卷积方式减少计算量。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv2" target="_blank">MobileNetv2</a></td>
<td>MobileNet的升级版,增加了特征复用机制,性能更好。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv3" target="_blank">MobileNetv3</a></td>
<td>结合自动搜索技术的新版本,自动找到最适合手机的网络结构。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ResNet" target="_blank">ResNet</a></td>
<td>通过特殊的"快捷连接"解决深层网络训练难的问题,可以训练超级深的网络。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/SENet" target="_blank">SENet</a></td>
<td>为网络添加了"注意力机制",让模型能够关注图片中重要的部分。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ShuffleNet" target="_blank">ShuffleNet</a></td>
<td>通过巧妙地打乱和分组计算,实现了手机上的高效运行。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ShuffleNetv2" target="_blank">ShuffleNetv2</a></td>
<td>在原版基础上优化设计,速度更快,效果更好。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/SwinTransformer" target="_blank">SwinTransformer</a></td>
<td>把自然语言处理的先进技术用于图像,通过逐步关注图片不同区域来理解图像。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/VGG" target="_blank">VGG</a></td>
<td>用统一的小型卷积核堆叠成深层网络,结构简单但效果好。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ViT" target="_blank">ViT</a></td>
<td>把图片切成小块后像读文章一样处理,是一种全新的图像处理方式。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
<tr>
<td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ZFNet" target="_blank">ZFNet</a></td>
<td>通过可视化研究改进的AlexNet,帮助人们理解网络是如何"看"图片的。</td>
<td>图像分类</td>
<td>待补充</td>
<td>CIFAR-10数据集</td>
</tr>
</table>