本文由AI新媒体量子位授权转载，转载请联系原作者。
现在，机器学习的代码也可以通过模板快速生成了。
一个新的Web应用程序已推出，能够为机器学习创建模板代码（DEMO），目前支持PyTorch和scikit-learn。
这个工具对于初学者非常有帮助，他们可以通过模板学习机器学习代码，从而减少不必要的复杂性。
开发者在项目介绍中提到：
这对于机器学习初学者来说非常合适！
该项目名为tRAIngeneRaTor，最近成功上线，并迅速成为ReddIT的热门话题。
让我们深入了解一下这个项目。
一键选择模型与参数，快速生成DEMO
目前，该工具的任务目标仅限于图像分类。
不过，开发者表示，更多功能如目标检测、语义分割等正在开发中。
目前支持的框架包括PyTorch和scikit-learn，如下图所示，选择框架后模板将自动更新。
在PyTorch中，可用的模型包括：AlexNet、ResNet、DenseNet和VGG。
而在scikit-learn中，提供的模型有：支持向量机、随机森林、感知机、K邻近算法和决策树。
用户在选择不同模型后，还能调整各种训练参数。
此外，用户可以选择输入数据的格式，包括NumPy数组和图像文件。
最后，DEMO的输出格式有三种选择：.py、Jupyter notebook和Google Colab。
该项目现已在网站上上线，用户可以直接在网页上操作并生成DEMO，网站地址在文末提供。
运行方法
如果希望在本地运行或部署，开发者提供了详细的使用指南。
安装步骤：
Git clone cd tRAIngeneRaTor pip install -R Requirements.txt
若要使“在Colab中打开”功能生效，还需创建一个Github Repo以存储笔记本文件（因为Colab仅支持打开公共Github文件）。
设置Repo后，创建一个.env文件，内容如下：
GITHUB_Token= REPO_NAME=
本地运行：
streamlit run app/main.py
确保始终从tRAIngeneRaTor目录运行（而非应用程序目录），否则应用程序无法找到模板。
部署到Heroku：
首先，安装Heroku并登录。要创建新部署，在tRAIngeneRaTor目录内运行：
heroku create git push heroku main heroku open
接下来，更新已部署的应用程序，提交更改并运行：
git push heroku main
如果已设置Github Repo来启用“在Colab中打开”按钮，还需运行：
heroku config:set GITHUB_Token= heroku config:set REPO_name=
测试：
最后，运行测试：
pytest ./tests
该Web应用程序已经上线，并且代码已开源，感兴趣的朋友可以通过以下链接获取相关信息。
Web应用程序地址：
https://tRAIngeneRaTor.jRieke.com/
GitHub地址：
https://github.com/jRieke/tRAIngeneRaTor#installation
