項目介紹

PPMA（Paddle Model Analysis）是一個基於飛槳實現的一個模型分析小工具，它以極簡主義為特色，高度封裝瞭飛槳代碼以便讓大傢用最少的代碼來完成模型的分析，目前所支持的功能有ImageNet精度驗證、可視化圖片Top5預測類別、測試模型Params、Throughput、類激活圖可視化（CAM）、測試時數據增強（TTA）等，在這裡你可以用最少三行代碼來實現想要的功能。

其中ImageNet精度驗證在計算Top5準確率上用瞭飛槳的API（paddle.metric.Accuracy），減少瞭代碼的編寫。類激活圖可視化CAM遷移瞭pytorch-grad-cam項目，同時參考瞭飛槳InterpretDL庫的幾行代碼（這裡推薦一下IntepretDL，它是基於飛槳的可解釋性算法庫，不僅包含可視化算法，還能從數據集和訓練過程的角度去解釋模型），測試時數據增強TTA遷移瞭ttach項目，用飛槳代碼進行高階封裝。

設計思路

【為什麼設計】

圖像分類作為CV的基礎任務，在ImageNet上訓練的權重能更好遷移到下遊任務，比如目標檢測、語義分割等。所以分析基於ImageNet上訓練的模型有助於我們能更好瞭解掌握模型的優劣，正是基於此，本項目簡潔封裝瞭飛槳基礎代碼，以便用戶能用至少三行代碼來完成對模型的分析。

【怎麼設計】

目前有很多優秀的庫擁有著簡潔易用的體驗，比如fastai、keras、scikit-learn，以及飛槳自傢的PaddleHapi，這些都是對復雜的代碼進行封裝，大大降低瞭用戶上手難度以及用戶學習成本，同時高度的封裝帶來的是靈活性、自定義性的下降，如何去權衡這兩個矛盾是一個需要思考的問題。

在嘗試體驗上述工具後，總結瞭對於一個工具是否簡潔易用需要看以下兩點：

1.命名的藝術

對函數的命名是一個需要推敲磨打的技術活，一方面函數命名盡量簡單直觀，做到用戶自然記憶不需要查函數名，這就要求盡量命名短，單詞意思盡量貼合使用場景。一方面又要避免與用戶變量命名習慣沖突，比如"img"這個命名很常見，大多數用來表示一張圖片，故命名函數時盡可能避開它，這能降低因為命名問題造成的error。

c2cf44ca116ed3ec7b90c258a28491ef

2.API的設計

高度封裝以及靈活性是一對矛盾。比如具有高度封裝的Keras，其靈活性和自定義性沒有Pytorch那麼好。在本項目（模型分析）上，因為我們隻是針對具體任務進行分析，其自定義性需求並不是那麼高，我們可以適當提高封裝性，同時支持更多的默認參數，用戶可以通過修改默認參數來完成特定需求，比如CAM增加自定義標簽（默認是網絡輸出的標簽）查看相應激活圖。

如何使用

AI Studio在線運行本項目：

http://aistudio.baidu.com/aistudio/projectdetail/2143665

1.安裝PPMA