README.md

---
license: mit
---
# 模型训练过程汇总（持续更新中）

本仓库采用扁平化的目录结构和标签系统来组织模型，具体说明如下：

## 仓库结构

- **一级目录**：直接以模型名称命名，例如 `Clone-detection-BigCloneBench`、`GraphMAE_QM9` 等
- **模型目录结构**：每个模型目录下包含：
  - `code/`：存放模型相关代码和训练脚本
  - `model/`：存放模型训练过程和权重文件
    - 按数据集分类
    - 训练变体（0：标准训练，1：数据增强，2：后门攻击）
    - 每个epoch的权重文件(.pth)和embedding(.npy)
  - `dataset/`：训练数据集（解压或压缩包形式）

## 标签系统

每个模型都具有以下标签属性：

1. **数据类型** (data_type)
   - 代码 (code)
   - 文本 (text)
   - 图像 (image)
   - 图结构 (graph)

2. **任务类型** (task_type)
   - 分类 (classification)
   - 生成 (generation)
   - 检索 (retrieval)
   - 相似度计算 (similarity)
   - 表示学习 (representation_learning)
   - 自动编码 (autoencoder)
   - 代码补全 (completion)
   - 预训练 (pretraining)

3. **领域** (domain)
   - 代码克隆检测 (code_clone_detection)
   - 代码搜索 (code_search)
   - 分子性质预测 (molecular_property)
   - 代码缺陷检测 (code_defect_detection)
   - 计算机视觉 (computer_vision)
   - 移动端计算 (mobile_computing)
   - Transformer架构 (transformer)

4. **输入/输出类型** (input_type/output_type)
   - 代码 (code)
   - 代码对 (code_pair)
   - 代码token序列 (code_tokens)
   - 代码排序 (code_ranking)
   - 自然语言 (natural_language)
   - 图结构 (graph)
   - 图像 (image)
   - 二元标签 (binary)
   - 类别标签 (class_label)
   - 分子特征 (molecular_features)

所有模型的元数据和标签信息都存储在 `models.json` 文件中

可以通过运行 `python model_filter.py` 命令来通过标签进行快速检索和筛选。


下表汇总了所有收集的模型训练过程信息：
<table>
  <tr>
    <th>模型名称</th>
    <th>模型简介</th>
    <th>模型类型</th>
    <th>Epoch数量</th>
    <th>数据集信息</th>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Clone-detection-BigCloneBench" target="_blank">Clone-detection-BigCloneBench</a></td>
    <td>基于大规模代码克隆基准数据集的代码克隆检测模型，任务是进行二元分类(0/1),其中1代表语义等价，0代表其他情况。</td>
    <td>代码克隆检测</td>
    <td>待上传</td>
    <td>BigCloneBench数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Clone-detection-POJ-104" target="_blank">Clone-detection-POJ-104</a></td>
    <td>基于POJ-104数据集的代码克隆检测模型，任务是识别不同编程题目中相似的代码实现，给定一段代码和一组候选代码，任务是返回具有相同语义的Top K个代码</td>
    <td>代码克隆检测</td>
    <td>待上传</td>
    <td>POJ-104编程题目数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/CodeCompletion-token" target="_blank">CodeCompletion-token</a></td>
    <td>基于token级别的代码自动补全模型</td>
    <td>代码补全</td>
    <td>待上传</td>
    <td>Java代码token序列数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/Defect-detection" target="_blank">Defect-detection</a></td>
    <td>代码缺陷检测模型，通过分析代码来识别潜在的缺陷和错误（进行二元分类(0/1)）</td>
    <td>代码缺陷检测</td>
    <td>待上传</td>
    <td>包含缺陷标注的C语言代码数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Code/code-refinement" target="_blank">code-refinement</a></td>
    <td>代码优化模型</td>
    <td>代码优化/重构</td>
    <td>待上传</td>
    <td>代码优化前后对数据集（C语言）</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Code-Text/code-to-text" target="_blank">code-to-text</a></td>
    <td>代码到自然语言的转换模型</td>
    <td>代码注释生成</td>
    <td>待上传</td>
    <td>多语言代码-文本对数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/NL-code-search-Adv" target="_blank">NL-code-search-Adv</a></td>
    <td>高级自然语言代码搜索模型，通过计算自然语言查询与代码片段之间的相似性来实现代码搜索,</td>
    <td>代码搜索</td>
    <td>待上传</td>
    <td>自然语言-(python)代码对数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/NL-code-search-WebQuery" target="_blank">NL-code-search-WebQuery</a></td>
    <td>基于Web查询的代码搜索模型，该模型通过编码器处理代码和自然语言输入，并利用多层感知器（MLP）来计算相似性得分</td>
    <td>代码搜索</td>
    <td>待上传</td>
    <td>Web查询-代码对数据集（CodeSearchNet数据集和CoSQA数据集(python)）</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Text-code/text-to-code" target="_blank">text-to-code</a></td>
    <td>自然语言到代码的生成模型</td>
    <td>代码生成</td>
    <td>待上传</td>
    <td>文本描述-代码(c语言)对数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Graph" target="_blank">GraphMAE_QM9</a></td>
    <td>在QM9数据集上训练的图掩码自编码器,通过对分子图中的原子的坐标以及类型进行预测实现自监督训练</td>
    <td>图自编码器</td>
    <td>待上传</td>
    <td>分子属性预测数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/AlexNet" target="_blank">AlexNet</a></td>
    <td>2012年获得ImageNet冠军的经典模型，首次证明了深度学习在图像识别上的强大能力。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/DenseNet" target="_blank">DenseNet</a></td>
    <td>每一层都直接与其他所有层相连，像搭积木一样层层堆叠，可以更好地学习图像特征。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/EfficientNet" target="_blank">EfficientNet</a></td>
    <td>通过平衡网络的深度、宽度和图像分辨率，用更少的计算量达到更好的效果。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/GoogLeNet" target="_blank">GoogLeNet</a></td>
    <td>谷歌开发的模型，像多个眼睛同时看图片的不同部分，既省资源又准确。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/LeNet5" target="_blank">LeNet5</a></td>
    <td>深度学习领域的开山之作，虽然简单但奠定了现代CNN的基础架构。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv1" target="_blank">MobileNetv1</a></td>
    <td>专门为手机设计的轻量级模型，用特殊的卷积方式减少计算量。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv2" target="_blank">MobileNetv2</a></td>
    <td>MobileNet的升级版，增加了特征复用机制，性能更好。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/MobileNetv3" target="_blank">MobileNetv3</a></td>
    <td>结合自动搜索技术的新版本，自动找到最适合手机的网络结构。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ResNet" target="_blank">ResNet</a></td>
    <td>通过特殊的"快捷连接"解决深层网络训练难的问题，可以训练超级深的网络。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/SENet" target="_blank">SENet</a></td>
    <td>为网络添加了"注意力机制"，让模型能够关注图片中重要的部分。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ShuffleNet" target="_blank">ShuffleNet</a></td>
    <td>通过巧妙地打乱和分组计算，实现了手机上的高效运行。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ShuffleNetv2" target="_blank">ShuffleNetv2</a></td>
    <td>在原版基础上优化设计，速度更快，效果更好。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/SwinTransformer" target="_blank">SwinTransformer</a></td>
    <td>把自然语言处理的先进技术用于图像，通过逐步关注图片不同区域来理解图像。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/VGG" target="_blank">VGG</a></td>
    <td>用统一的小型卷积核堆叠成深层网络，结构简单但效果好。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ViT" target="_blank">ViT</a></td>
    <td>把图片切成小块后像读文章一样处理，是一种全新的图像处理方式。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
  <tr>
    <td><a href="https://huggingface.co/datasets/code-philia/ttvnet/tree/main/Image/ZFNet" target="_blank">ZFNet</a></td>
    <td>通过可视化研究改进的AlexNet，帮助人们理解网络是如何"看"图片的。</td>
    <td>图像分类</td>
    <td>待补充</td>
    <td>CIFAR-10数据集</td>
  </tr>
</table>