Deep Learning Constructor (DLC) — это визуальный конструктор нейросетей нового поколения, ориентированный на исследователей, студентов и инженеров, которым необходима гибкая, наглядная и расширяемая среда для проектирования, обучения и анализа глубоких моделей. DLC позволяет собирать архитектуры любой сложности из готовых блоков, визуализировать пайплайны, настраивать параметры и запускать обучение без необходимости писать код вручную.
- 🧩 Визуальное проектирование: drag-and-drop интерфейс для построения нейросетей из модулей, слоёв, функций активации и датасетов.
- 🏗️ Гибкая архитектура: поддержка кастомных и стандартных архитектур (LeNet, AlexNet, VGG, GoogLeNet, NiN и др.), возможность создавать собственные пайплайны.
- 🧬 Расширяемость: легко добавлять новые датасеты, слои, функции активации и архитектуры.
- ⚡ Интерактивное обучение: запуск, остановка, дообучение, сохранение и загрузка весов моделей прямо из GUI.
- 📊 Интеграция с ClearML: автоматический логгинг экспериментов, параметров и результатов.
- 🖼️ Визуализация архитектуры: встроенные UML-диаграммы классов и блок-схемы (см. папку
design/). - 📝 Логирование и сообщения: подробный вывод статуса, ошибок и прогресса обучения.
- GUI: Построен на DearPyGui с кастомными темами, drag-and-drop контейнерами и интерактивными окнами.
- Node Editor: Графовый редактор для визуального соединения модулей, слоёв и датасетов.
- DataNode, LayerNode, ModuleNode: Классы для представления данных, слоёв и модулей соответственно.
- Pipeline: Класс для автоматической сборки, обучения и управления пайплайном.
- TrainParamsNode: Узел для настройки гиперпараметров обучения (оптимизатор, функция потерь, инициализация, lr, эпохи и др.).
- Интеграция с PyTorch Lightning: для удобного и масштабируемого обучения моделей.
UML-диаграмма классов (кликните для увеличения)
pip install -r requirements.txtpython app/main.py- Перетаскивайте датасеты, слои, функции активации и архитектуры из левой и правой панелей в центральное рабочее поле.
- Соединяйте блоки для построения пайплайна.
- Настраивайте параметры каждого блока через всплывающие окна.
- Запускайте обучение, сохраняйте и загружайте веса, отслеживайте прогресс через интеграцию с ClearML.
Скриншот интерфейса (кликните для увеличения)
- Левая панель: Содержит доступные датасеты и готовые архитектуры нейросетей
- Правая панель: Включает слои, функции активации и модули для построения сети
- Центральная область: Рабочее пространство для визуального конструирования нейросети
- Нижняя панель: Лог сообщений и статуса выполнения операций
- Всплывающие окна: Для настройки параметров узлов и конфигурации обучения
- Drag & Drop: Перетаскивание компонентов из боковых панелей
- Соединения: Создание связей между узлами через точки входа/выхода
- Контекстное меню: Дополнительные опции при правом клике на узлы
- Горячие клавиши: Быстрый доступ к основным функциям
- Датасеты: FashionMNIST, Caltech101/256, CIFAR10, Flowers102, SUN397, CarlaStereo, CelebA, Cityscapes, CLEVRClassification, CocoCaptions, EuroSAT, Food101, ImageNet, а также пользовательские датасеты.
- Слои: LazyLinear, LazyConv1d/2d/3d, BatchNorm, Flatten, Concatenate, Pooling, Dropout и др.
- Функции активации: ReLU, Sigmoid, Tanh.
- Архитектуры: LeNet-5, AlexNet, VGG-11, NiN, GoogLeNet, Conv-MLP, Inception, BN LeNet и др.
- Python 3.11+
- PyTorch 2.0+
- torchvision
- pytorch-lightning
- dearpygui
- clearml
- (см. requirements.txt)
graph TD;
Datasets-->DataNode;
DataNode-->LayerNode;
LayerNode-->ModuleNode;
ModuleNode-->Pipeline;
Pipeline-->TrainParamsNode;
TrainParamsNode-->Pipeline;
Pipeline-->ClearML;
- Все диаграммы классов и архитектур находятся в папке
design/. - Для подробного ознакомления с архитектурой откройте UML-диаграмму
classes.pngи см. изображенияdlc-1.png...dlc-4.png.
Проект распространяется под лицензией MIT.
- Вопросы и предложения: создавайте issue или pull request.
- Для связи: telegramm - @luzinsan
Создавайте, обучайте и исследуйте нейросети быстрее с Deep Learning Constructor!