源代码链接：https://github.com/davidtellez/contrastive-predictive-coding

代码主要结构分为三个部分：train_model.py, benchmark_model.py, data_util.py

data_util.py：

主要用于提供训练所需的数据，生成的图片如下

代码阅读思考：

文件data_util里面一共有几大类？每一个类别的作用是什么？

文件data_util一共分了四个大类分别是：

①MnistHandler()：用于梳理MNSIT数据，一共定义了6个函数，init(), load_dataset(), process_batch(), get_batch(), get_batch_by_lables(), get_n_samples()

init():下载数据，将lena image储存到记忆库中

load_dataset(): 下载数据，这个函数是在github上面，MNIST下载函数直接复制粘贴过来的，返回值是x_train, y_train, x_val, y_val, x_test, y_test

process_batch(): 用于转化MNIST数据，将图片从28x28转化到64x64，将图片转化为RGB图像（原图像是黑白的）。将图像二值化（此处的二值化，是否就是以像素的形式以0和1进行表示？）从图片lena中随机修剪一小块，将像素的颜色转化，该颜色是由之前的从图片lena中得到的。然后将图片缩放到[-1, 1]的范围。返回值是batch

get_batch(): 用于选择一个子集，随机选择采样，并将采样的batch进行数据处理，返回值是batch.astype('float32'), labels.astype('int32')

get_batch_by_labels(): 用于选择一个子集，选择匹配标签的样本，重新找到样本，使用process_batch进行batch处理，返回值是batch.astype('float32'), labels.astype('int32')

get_n_samples(): 根据不同的要求选择样本，要求分别有train, valid, test. 返回值是y_len

 

②MnistGenerator()：用于提供MNIST的数据，一共定义了5个函数，init(), iter(), next(), len(), next()

init()：用于设置参数，并初始化MNIST数据。

iter():  返回self

len(): 返回n_batches

next(): 返回 x, y_h，其中y_h是y经过独热编码处理过的数据。

 

③MnistGenerator(): 用于提供生成的分类数目的列表，一共定义了5个函数，init(), iter(), next(), len(), next()

init()：用于设置参数，并初始化MNIST数据。

iter():  返回self

len(): 返回n_batches

next(): 返回[x_images[idxs, ...], y_images[idxs, ...], sentence_labels[idxs, ...]]，生成语句，设置正样本的顺序预测，保存sentence，重建实际图像，组合batch，并将之随机化。

 

④SameNumberGenerator(): 用于提供相似数字的列表，一共定义了5个函数，init(), iter(), next(), len(), next()

init()：用于设置参数，并初始化MNIST数据。

iter():  返回self

len(): 返回n_batches

next(): 返回[x_images[idxs, ...], y_images[idxs, ...], sentence_labels[idxs, ...]]，生成语句，设置正样本的顺序预测，保存sentence，重建实际图像，组合batch，并将之随机化。

 

⑤ 单独定义了一个函数plot_sequences()，用于将图片绘出来。