前后端对接之json

结构梳理详见：Pytorch&前后端工作梳理

以下介绍前后端对接的json文件

base.json

描述：包含所有基础的网络层，已经in和out节点

{
  "type": "base",
  //sequential表示嵌套模型，base表示单个网络层
  "name": "base_1",
  //对于base层为网络层对应的名字，默认按序号排列
  "attribute": {
    "layer_type": "pool_layer",
    //对于base attribute的结构,以pool_layer为例
    //对于输入和输出层，"layer_type":"in"/"out"，仅有"left"/"right"属性

    "attribute": {
      "layer_type": "max_pool",
      "attribute": {
        "kernel_size": 2,
        "stride": 2,
        "padding": 0
      }
    },
    "left": "XXXpx",
    //绘制时的位置,Sequential可缺省该属性
    "Right": "XXXpx"
    //绘制时的位置,Sequential可缺省该属性
  }
}

connection.json

描述：在sequential中用以描述canvas连接的文件

{
  "source": {
    "id": "canvas_%d",
    "anchor_position": "Bottom"
    //("Bottom"/"Up"/"Left"/"Right"),
    //对于type=base表示箭头连接位置,对于Sequential可缺省
  },
  "target": {
    "id": "canvas_%d",
    "anchor_position": "Up"
    //("Bottom"/"Up"/"Left"/"Right"),
    //对于type=base表示箭头连接位置,对于Sequential可缺省
  }
}

sequential.json

描述：核心的封装结构，有明确且单一的输入和输出节点

{
  "type": "sequential",
  //sequential表示嵌套模型，base表示单个网络层
  "name": "sequential 01",
  //对于Sequential为用户在保存网络层时为网络层取的名字，默认按照sequential_%d来排序
  "attribute": {
    "in": "canvas_%d",
    //表示每个Sequential开始节点，即入度为0的节点，该节点一定是type="base" && attribute.layer_type = "in"
    "out": "canvas_%d",
    //表示每个Sequential结束节点，即出度为0的节点，该节点一定是type="base" && attribute.layer_type = "out"
    //对于Sequential attribute的结构
    "nets": {
      "canvas_%d": "sequential1.json",
      //这里可以是sequential.json或者base.json,modulelist.json,moduledict.json，可以有多个
      "canvas_2": "base1.json"
    },
    "nets_conn": [
      //描述每个Sequential内部的连通情况,base层没有该属性
      "connection1.json",
      "connection2.json"
    ]
  }
}

modulelist.json

描述：一种封装的网络结构，多个相同的层封装在一起，注意其中的canvas只有一个

{
  "type": "modulelist",
  "name": "multiple layers",
  //对于modulelist为用户在保存网络层时为网络层取的名字
  "attribute": {
    //对于modulelist不需要指定in
    "canvas_%d": "sequential1.json",
    //这里可以是sequential.json或者base.json等，只能是一个
    "num": 10
  }
}

moduledict.json

描述：一种封装的网络结构，相当于一个多路选择器，从众多canvas中选择一个

{
  "type": "moduledict",
  "name": "moduledict_1",
  //对于moduledict为用户在保存网络层时为网络层取的名字，默认在后面表序号
  "attribute": {
    "default": "canvas_1",
    "choose": "canvas_2",
    //moduledict相当与一个多路选择器，有一个default路，和可选的canvas
    "nets": {
      "canvas_%d": "sequential1.json",
      //这里可以是sequential.json或者base.json等，可以有多个
      "canvas_2": "base1.json"
    }
  }
}

static.json

描述：静态变量。后续可能添加数据模块（数据增强，打乱等）

{
  "epoch": 100,
  //全数据集训练次数 非0正数
  "learning_rate": 0.01,
  //学习率 大于0的实数

  "learning_rate_scheduler": {
    "name": "StepLR",
    "attribute": {
      "step_size": 50,
      "gamma": 0.1
    }
  },
  "device": "gpu",
  "data": "svhn",
  //mnist, cifar10, stl10, svhn等

  "optimizer": {
    "name": "Adam",
    "attribute": {
      "momentum": 0.9
    }
  },
  //SGD, RMSprop, Adam

  "loss": {
    "name": "CrossEntropyLoss",
    "attribute": {
      "reduction":"mean"
    }
  },

  "batch_size": 16
}

现修改为data.json

描述：前端最后给后端传的所有数据

static = {
    "epoch": epoch,
    "learning_rate": learning_rate,
    "batch_size": batch_size,
    "learning_rate_scheduler":learning_rate_scheduler,
    "device":platform,
    "data":dataset,
    "optimizer":optimizer,
    "loss":loss
};

structure = {
    "canvas": sequential,
    "static": static
};

ret = {
    "name" : $("#model_name").val(),
    "structure":structure
}
//这个ret是传回后端的json格式，为了后端的向下兼容

原data.json 现已弃用

{
  "canvas": "sequential.json",
  "static": "static.json"
}

inference_in.json

推理过程输入对应的json文件：前端需要传递输入图片的路径、pkl文件的路径

{
  "canvas": "sequential.json",
  "inference":{
    "device": "cpu",
    "input": "/media/test.jpg",
    "pkl": "/models/checkpoint_14_epoch.pkl"
  }
}

inference_out.json

后端将输出文件保存在media中，项前端提供保存路径。其中visualize表示需要展示的图。
output表示输出，可以是图片路径，也可以是字符串。

{
  "visualize": "media/output1.jpg",
  "string": "time:1.147s\ninput shape:[3, 624, 1270]..."
}