README_RU.md

TorchCNNBuilder

---

TorchCNNBuilder — это фреймворк с открытым исходным кодом для автоматического создания архитектур CNN. В первую очередь он предназначен для исследователей, работающих с CNN, и берёт на себя большую часть написания кода архитектуры. Распространяется под лицензией 3-Clause BSD. Вся функциональность реализована исключительно на pytorch (без сторонних зависимостей).

Установка

---

Проще всего установить фреймворк через pip:

pip install torchcnnbuilder

Минимальные системные требования

Минимальными системными требованиями для использования библиотеки является наличие интерпретатора Python версии >3.9 и доступ к вычислительной системе под управлением OC Windows/Linux. Минимальные требования к аппаратному обеспечению включают наличие процессора (CPU) с 8 ядрами, оперативной памяти (RAM) 2ГБ, хранилища HDD 2 ГБ, а также графического процессора (GPU) с 8 ГБ VRAM, поддерживающего версию CUDA не меньше 7.

Доп.пакеты для примеров

Обратите внимание, что при запуске примеров из папки examples для визуализации и формирования набора данных используются дополнительные библиотеки:

pip install numpy
pip install pytorch_msssim
pip install matplotlib
pip install tqdm

Они не требуются для работы библиотеки, поэтому их установка не обязательна.

Использование

Для инициализации простой модели с архитектурой "кодировщик-декодировщик" используйте класс ForecasterBase:

from torchcnnbuilder.models import ForecasterBase

model = ForecasterBase(input_size=[H, W],
                       in_time_points=C_in,
                       out_time_points=C_out,
                       n_layers=5)

Где [H, W] - размер изображения в пикселях, C_in - количество входных каналов, C_out - количество выходных каналов.

Для раздельной работы с кодировщиком и декодировщиком их можно вызвать из модели:

encoder = model.encoder
decoder = model.decoder

Для GPU-режима (device="cuda") возможно только использование видеокарт, поддерживающих версию CUDA >=7. В противном случае, доступен только CPU режим (необходимо задать device="cpu").

Примеры

Сценарии использования можно найти в папке examples.

Примеры вызова компонентов — в папке usage_examples.

Документация

Документация доступна по ссылке.

Разработчикам

Для просмотра доступных команд Makefile выполните в корне проекта:

make help

help: Показать справку по командам Makefile.
lint: Проверить код с помощью flake8.
doc: Собрать и запустить документацию локально.

Направления прикладного использования

TorchCNNBuilder позволяет создавать CNN-архитектуры для различных практических задач:

Мониторинг окружающей среды

• Прогнозирование концентрации морского льда
  Предсказание ледовых условий в Арктике и Антарктике для климатических исследований и безопасности судоходства.

• Прогнозирование климатических условий
  Анализ атмосферных данных, а также их предсказание для оценки погодных явлений.

• Прогнозирование уровня загрязнения
  Обработка данных сенсоров для предсказания и оценки качества воды и воздуха.

Дистанционное зондирование

• Анализ спутниковых снимков
  Обработка мультиспектральных изображений для сельского хозяйства и градостроительства.

• Классификация подстилающей поверхности Земли
  Автоматическое картирование территории на основе CNN, агрегирующей спектральную, пространственную и временную размерности данных.

• Мониторинг природных бедствий
  Системы детектирования изменений на основе оценки состояния природных сред по спутниковым изображениям до и после события. К примеру наводнений, пожаров или землетрясений.

Медицинские изображения

• Автоматическая диагностика по рентгену/МРТ Системы для обнаружения аномалий на медицинских изображениях, позволяющие сократить работу мед. персонала.

• Сегментация опухолей
  Создание 3D CNN для многомерного анализа медицинских данных.

• Анализ медицинских временных рядов
  Обработка потоковых данных для прогнозирования ухудшения состояния пациентов за счет временных признаков.

Предиктивное обслуживание

• Прогностическое обслуживание Мониторинг вибраций обоорудования и тепловых сигнатур для прогнозирования механических отказов.

• Контроль качества на производстве
  Внедрение систем визуального контроля в реальном времени, которые обнаруживают дефекты на производственных линиях.

Финансовое прогнозирование

• Прогнозирование временных рядов
  Создание гибридных архитектур CNN-LSTM, которые извлекают как пространственные закономерности из тепловых карт рынка, так и временные зависимости из истории цен.

• Анализ рыночных тенденций Обработка альтернативных пространственно-временных источников данных, таких как спутниковые снимки парковок или настроения в социальных сетях, с помощью архитектур CNN.

Источники

---

• Forecasting of Sea Ice Concentration using CNN, PDE discovery and Bayesian Networks
• Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble
• Пост о разработке и применении фреймворка на habr.com

Как поучаствовать в проекте

• Чтобы присоединиться к команде напишите нам;

• Issues и Pull Requests: для пометки багов и запросов на добавление функций.

Благодарности

Проект реализуется при поддержке ФСИ - Фонда содействия инновациям.