Tensorflow项目实战（一）--基本目录结构

TF

---

本博客旨在探索github科研项目的写法，从而达到能够快速理解科研项目和自己写科研项目的目的

前言：

初学者，比如我，很难读懂并理解github上作者的开源代码，以至于每次只能照办别人的代码，顶多就是把别人的搞到能跑，但这并不是所谓的代码复现，也很难对源码进行改进。

有的人说：看多了自然就懂了，写多了自然就会了。其实不然，纵然把网上Tensorflow的AlexNet，VGG等看懂，学会的不过是基本的、不成体系的写法，一般是把所有内容放在一处，并不带有复杂的数据集处理，模型保存与恢复，命名空间管理等基本功能。

所以建立项目思维是很重要的，本博文旨在总结和归纳TensorFlow科研项目的共同点，让我们先从基本目录结构讲起。

正文

当我们看过超过三篇论文的代码复现就会发现，无论是pytorch还是tensorflow项目，都有相似的目录结构！

总结来说，我个人喜欢的目录结构如下：

-项目名
	-config(可选,放入配置文件)
	-data(放入数据集文件夹的地方)
	-network(当网络架构复杂时提供网络架构，如WarpGAN中包含MUNIT，或者CartoonGAN中包含VGG的情况，可以分文件写)
	-utils(提供辅助函数，如检查文件夹是否存在)
	test.py
	train.py

当运行代码后，目录结构变成如下：

-项目名
 	-config
 	- checkpoint(代码中产生，存放检查点用以模型复原)
 	- logs(代码中产生，存放TensorFlow日志，用以启动Tensorboard)
 	- samples(train.py产生的中间结果)
 	- results(test.py产生的结果)
 	-data
 	-network
 	-utils
 	test.py
 	train.py