3D-Face-GCNs/
├── data/
│   ├── processed/
│   └── raw/
├── models/
│   ├── __init__.py
│   ├── gcn_model.py
│   └── loss.py
├── scripts/
│   ├── train.py
│   └── evaluate.py
├── config/
│   └── config.yaml
├── README.md
└── requirements.txt

El proyecto se organiza en varias carpetas clave:

• data/: Contiene tanto los datos sin procesar como los datos ya transformados para su uso en el modelo.
• models/: Alberga las definiciones de arquitectura. El archivo gcn_model.py implementa la red convolucional de grafos, mientras que loss.py define las funciones de pérdida utilizadas durante el entrenamiento.
• scripts/: Incluye los ejecutables principales. train.py gestiona el entrenamiento del modelo y evaluate.py se encarga de la validación y métricas de rendimiento.
• config/: Contiene config.yaml, que centraliza todos los parámetros configurables del proyecto.
• README.md: Documentación general del repositorio.
• requirements.txt: Lista de dependencias de Python necesarias para ejecutar el proyecto.

Archivos de Ejecución Principal

Entrenamiento: scripts/train.py

Este script es responsable de iniciar el proceso de entrenamiento del modelo de reconocimiento facial 3D. Sus responsabilidades principales son:

• Cargar la configuración desde el archivo YAML.
• Preparar los cargadores de datos e instanciar la arquitectura del modelo.
• Ejecutar el ciclo de entrenamiento, que incluye propagación hacia adelante, cálculo de la función de pérdida, retropropagación y actualización de pesos.
• Persistir los checkpoints del modelo y los registros de progreso en disco.

Evaluación: scripts/evaluate.py

Este script permite medir el desempeño de un modelo previamente entrenado. Sus funciones incluyen:

• Leer la configuración del proyecto desde config.yaml.
• Cargar los pesos del modelo entrenado desde el disco.
• Realizar inferencias sobre el conjunto de prueba y calcular las métricas de evaluación.
• Mostrar los resultados obtenidos.

Archivo de Configuración

config/config.yaml

El archivo YAML de configuración centraliza todos los hiperparámetros necesarios para el entrenamiento y la evaluación. Los parámetros más relevantes son:

• data_path: Ruta al directorio de datos.
• model_params: Hiperparámetros de la arquitectura, como dimensiones de entrada, tamaño de capas ocultas y dimensiones de salida.
• train_params: Configuración del entrenamiento, incluyendo tasa de aprendizaje, tamaño de lote y número de épocas.
• eval_params: Parámetros de evaluación, como la ruta del dataset de prueba y las métricas a calcular.

Ejemplo de configuración:

dataset:
  input_dir: "data/processed"
architecture:
  feature_dim: 35709
  latent_dim: 256
  output_dim: 80
optimization:
  lr: 0.001
  batch_sz: 32
  max_epochs: 100
validation:
  test_dir: "data/processed"
  metrics: ["accuracy", "loss"]

La modificación de este archivo permite adaptar fácilmente el comportamiento del sistema sin necesidad de alterar el código fuente.