====== Netze für's Deployment schnüren ======

Dafür gibt es ein Tool bin/bundle_net, dass mit den notwendigen Daten gefüttert wird und eine einzelne Datei ausspuckt. Folgende Angaben sind notwendig:


  * model-Datei
  * mean-Datei
  * Bild-Größe
  * Crop-Größe
  * Label

Beispiel:

<code>
$ ./bundle_net -m /tmp/boxi/meani -n /tmp/boxi/neti -i 248 -c 224 -l shape.fc
</code>
Raus fällt eine Datei “neuro.box”

Hilfe:

<code>
$ ./bundle_net -h
</code>
Der Bulk-Extractor erlaubt die Initialisierung direkt aus einer Box-Datei:

<code>
from oyster_learn.network_io import NetBulkExtractor
net = NetBulkExtractor.create_from_box('./neuro.box')
</code>

====== Details ======

Die Box-Datei ist nichts weiter als ein ZIP-Archive mit Dateien, die alle einen //festen// Namen haben.

Auflisten des Inhalts:

<code>
$ unzip -l neuro.box
</code>
<code>
Archive:  neuro.box
  Length      Date    Time    Name
---------  ---------- -----   ----
   738128  2016-07-25 12:50   mean.npy
  4200198  2016-07-25 12:50   model.bin
       95  2016-07-25 13:00   config.json
---------                     -------
  4938421                     3 files
</code>
Die Endungen sind wichtig, um Komponenten mitzuteilen, was zu tun ist. Es gibt NPY für numpy-Daten, JSON ist selbsterklärend und BIN ist pickle.