# Pytorch_Demo

**Repository Path**: lethe-c/Pytorch_Demo

## Basic Information

- **Project Name**: Pytorch_Demo
- **Description**: 软件体系结构与设计模式：基于 PyTorch 实现的口罩识别检测程序
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-06-16
- **Last Updated**: 2025-12-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Pytorch_Demo 课设项目

## 一、简介

本项目为 “软件体系结构与设计模式” 课程设计，基于 PyTorch 框架实现的简单口罩识别检测程序，旨在通过实际案例展示深度学习框架PyTorch源码中设计模式的运用与分析。

## 二、项目结构

#### （1）目录结构

- **.idea/**：IDE 配置文件（自动生成，非代码主体）
- **Test_file/**：测试用代码，包含测试逻辑相关文件
- **Test_img/**：测试用图片资源
- **markdown/**：项目相关文档
- **train_demo/**：模型训练核心代码
- **train_result/**：存储-训练结果
- **traindata/**：训练集数据

#### （2）核心文件

- **run.py**：模型训练运行文件，协调各训练模块运行
- **Test2.py**：测试模块核心文件，负责模型验证与结果评估
- **app_gui.py**：图形用户界面（GUI）实现文件，提供交互接口

## 三、代码运行流程

1. **启动流程**：通过执行`run.py`作为程序入口，初始化系统环境与配置。
2. **数据处理**：`run.py`调用`traindata/`中的数据加载函数，从`traindata`文件夹读取训练集数据。
3. **模型训练**：调用`train_demo/`中的训练模块，利用 PyTorch 构建模型并进行训练，训练结果保存至`train_result/`。
4. **测试验证**：可先跳过可视化界面操作，直接调用`Test2.py`代码文件，对训练好的模型进行评估，测试数据可从`Test_img/`获取。
5. **交互界面**：`app_gui.py`提供GUI界面，内置函数调用第4步中的Test2.py文件进行可视化的口罩检测，支持用户选取图像、查看训练进度及测试结果。

## 四、设计模式分析

#### （1）运用的设计模式

| **设计模式**     | **代码文件**                             | 实现                         |
| ---------------- | ---------------------------------------- | ---------------------------- |
| **单例模式**     | `GlobalContext.py`                       | 全局上下文管理               |
| **代理模式**     | `DDPInitializerProxy.py`、`ddp_train.py` | DDP模型代理                  |
| **外观模式**     | `MaskDetector.py`                        | 封装分布式训练初始化         |
| **工厂方法模式** | `create_dataloader.py`                   | 创建数据加载器               |
| **观察者模式**   | `setup_observer.py`                      | 监控模型输出张量的值范围     |
| **模板方法模式** | `setup_observer.py`                      | 提供算法骨架，实现数据收集   |
| **策略模式**     | `train.py`                               | 定义不同的损失函数、优化器等 |

#### （2）项目情况/模式分析优缺点

#### 优点：

1. 主动选择并解决了具有相当技术难度的PyTorch框架模式分析/程序编写，同时级联了侯老师的机器学习课程的学习，锻炼了自身python的code能力，体现了较好的课设完成效果。
2. 成功实现了课设要求的所有核心功能模块，系统/程序能够稳定运行，满足基本需求
3. 完成了超出最低要求的工作量（如最少分析模式数：5，当前分析模式：7）
4. 整体项目+每个模式都编写了对应的分析文档，其内容思路清晰，逻辑严谨，详略得当
5. 关键代码有规范、充分，便于理解和维护的注释
6. 制定了合理的周计划并按计划推进，按时完成；遇到问题时，能积极寻求解决方案（查资料、讨论、请教）

#### 缺点：

1. 部分次要功能（分布式训练）未完全实现或存在瑕疵
2. 训练的模型检测识别效果不是很准确，有待提高
3. 对相关模式的分析停留在表面，缺乏更深层次的研究学习
4. 遇到技术问题时，解决效率不高、方法不够科学

## 五、总结

本次《软件体系结构与设计模式》课程设计以**PyTorch框架下的口罩识别系统**为题，深入探索了深度学习源码中设计模式的应用实践。项目不仅完成了基础功能开发，更通过对PyTorch源码的剖析，系统性地验证了多种设计模式在工业级框架中的核心作用，达成了课程要求的理论与实践双重目标。