一个综合性的Python机器学习练习项目，涵盖了从基础Python语法到高级深度学习应用的多个方面。

本项目是一个Python学习和实践项目，主要用于：

• 学习Python编程基础（类、对象、实例字段与类字段等）
• 实践PyTorch深度学习框架
• 探索Hugging Face transformers库的各种应用
• 实现完整的机器学习工作流程（数据预处理、模型训练、评估、推理）

AI-PythonPractise/
├── 根目录文件
│   ├── data_preprocessing.py      # 图像数据预处理（使用PyTorch和torchvision）
│   ├── FaceRecognition.py         # 人脸识别模型加载（使用MobileNetV2）
│   ├── FineTuning.py              # 模型微调训练
│   ├── Inference.py               # 模型推理
│   ├── Save.py                    # 模型保存
│   ├── Verify.py                  # 模型验证和准确率计算
│   ├── Test_instance_class_fields.py  # Python类字段测试（实例字段 vs 类字段）
│   ├── LICENSE                    # MIT许可证
│   ├── README.md                  # 项目说明文档
│   └── .gitignore                 # Git忽略配置
├── main/                          # 主模块目录
│   ├── data_preprocessing.py      # 数据预处理
│   ├── Datasets.py                # 数据集下载（使用kagglehub下载LFW数据集）
│   ├── inference.py               # 推理
│   ├── model_evaluation.py        # 模型评估
│   ├── model_training.py          # 模型训练
│   └── save_model.py              # 模型保存
└── testHuggingFace/               # Hugging Face测试目录
    ├── Question-Answering.py      # 问答系统测试
    ├── sentiment-analysis.py      # 情感分析测试
    ├── TextGeneration.py          # 文本生成测试（使用GPT-2）
    ├── Translate.py               # 机器翻译测试（英译中）
    └── Tokenizers/
        └── UsingModelsAndTokenizersInstandPipeline.py  # Tokenizer和模型使用

• PyTorch: 用于模型训练、微调和推理
• torchvision: 用于图像数据处理和增强

• transformers: 用于各种NLP任务（文本生成、问答、情感分析、翻译）
• 预训练模型:
  • GPT-2 (文本生成)
  • DistilBERT (情感分析)
  • MobileNetV2 (图像分类)
  • opus-mt-en-zh (英译中翻译)

• PIL/Pillow: 图像处理
• datasets: 数据集加载
• kagglehub: 数据集下载（LFW人脸数据集）

• Python 3.x: 主要编程语言
• Git: 版本控制

• Python 3.7+
• pip 或 conda

1. 克隆项目：

git clone https://github.com/TJYOYO/PythonPractise.git
cd PythonPractise

2. 创建虚拟环境（推荐）：

python -m venv .venv
# Windows
.venv\Scripts\activate
# Linux/Mac
source .venv/bin/activate

3. 安装依赖：

pip install torch torchvision transformers datasets pillow kagglehub

位于项目根目录，展示了完整的端到端机器学习工作流程：

1. 数据预处理 (data_preprocessing.py): 加载和预处理图像数据
2. 模型加载 (FaceRecognition.py): 加载预训练的MobileNetV2模型
3. 微调训练 (FineTuning.py): 在自定义数据集上微调模型
4. 模型验证 (Verify.py): 计算模型在测试集上的准确率
5. 模型保存 (Save.py): 保存微调后的模型
6. 模型推理 (Inference.py): 使用训练好的模型进行预测

位于testHuggingFace/目录，展示了transformers库的各种应用：

• 文本生成 (TextGeneration.py): 使用GPT-2生成文本
• 问答系统 (Question-Answering.py): 基于上下文的问答
• 情感分析 (sentiment-analysis.py): 分析文本情感（正面/负面）
• 机器翻译 (Translate.py): 英译中翻译
• Tokenizer使用 (Tokenizers/): 手动使用tokenizer和模型

• 类字段测试 (Test_instance_class_fields.py): 演示Python中实例字段和类字段的区别

位于main/目录，包含更模块化的实现：

• 数据集下载和管理
• 模型训练和评估的分离
• 可重用的组件

1. 准备图像数据集，按类别组织在文件夹中
2. 更新data_preprocessing.py中的路径：

train_dataset = datasets.ImageFolder(root='path_to_train_data', transform=transform)
test_dataset = datasets.ImageFolder(root='path_to_test_data', transform=transform)

3. 按顺序运行脚本：

python data_preprocessing.py
python FaceRecognition.py
python FineTuning.py
python Verify.py
python Save.py
python Inference.py

# 文本生成
python testHuggingFace/TextGeneration.py

# 情感分析
python testHuggingFace/sentiment-analysis.py

# 问答系统
python testHuggingFace/Question-Answering.py

# 机器翻译
python testHuggingFace/Translate.py

python Test_instance_class_fields.py

1. 数据路径: 部分脚本中的路径是占位符，需要根据实际情况修改
2. 硬件要求: 深度学习模型训练需要GPU支持以获得更好的性能
3. 依赖版本: 建议使用较新版本的PyTorch和transformers库
4. 数据集: LFW数据集下载需要kaggle账号和API token

本项目基于MIT许可证开源 - 查看LICENSE文件了解详情。

欢迎提交Issue和Pull Request来改进这个项目。

• TJYOYO

• 感谢Hugging Face团队提供的优秀transformers库
• 感谢PyTorch社区
• 感谢所有开源项目的贡献者

本项目主要用于学习和研究目的，适合作为机器学习入门和实践的参考项目。