EasyTrain

任务选择

模型选择

数据集选择

参数设置

开始训练

{% if task == 'reg' %}

已选择的任务：回归任务

{% elif task == 'cls' %}

已选择的任务：分类任务

{% elif task == 'clt' %}

已选择的任务：聚类任务

{% endif %}

任务选择

模型选择

数据集选择

参数设置

开始训练

{% if task == 'classification' %}

已选择的任务：分类任务

{% elif task == 'detection' %}

已选择的任务：检测任务

{% endif %}

已选择的模型：{{model}}

任务选择

模型选择

数据集选择

参数设置

开始训练

{% if task == 'classification' %}

已选择的任务：分类任务

{% elif task == 'detection' %}

已选择的任务：检测任务

{% endif %}

已选择的模型：{{model}}

已选择的数据集：{{dataset}}

任务选择

模型选择

数据集选择

参数设置

开始训练

参数设置↓

数据乱序随机种子(可保持默认)：
高级参数设置(可保持默认)：了解更多
数据验证策略：

                         点击下方按钮生成代码

任务选择

模型选择

数据集选择

参数设置

开始训练

点击下方的“开始训练”，训练代码已保存在./XEdu/baseml_code.py，模型将保存在./XEdu/my_checkpoints。

当我们训练好这个模型文件，怎么使用呢？我们可以用这个模型来搭建一个信息系统！系统框架略去，我们来看看如何调用这个模型吧~
模型推理参考代码，你可以在本地XEdu一键安装包中运行：
from BaseML import Classification as cls # 导入库文件
model = cls('KNN') # 这里应该和训练是选择的任务和模型保持一致，任务分别是cls、reg和clt，模型有很多可选
model.load('./my_checkpoints/baseml_model/knn_iris.pkl') # 这个文件需要修改为训练完成之后的文件路径
y=model.inference([[5.9, 3.0, 4.2, 1.5]]) # 输入一组新数据，利用模型进行推理，得到结果
print(y) # 最简单的查看结果的方式，就是打印结果~

已选择的任务：回归任务

已选择的任务：分类任务

已选择的任务：聚类任务

已选择的任务：分类任务

已选择的任务：检测任务

已选择的模型：{{model}}

已选择的任务：分类任务

已选择的任务：检测任务

已选择的模型：{{model}}

已选择的数据集：{{dataset}}

点击下方的“开始训练”，训练代码已保存在./XEdu/baseml_code.py，模型将保存在./XEdu/my_checkpoints。

模型转换

设置成功

训练结束！

模型转换完成！

模型转换中……

训练终止