一、Pytorch Tensor的通道排序：
[batch、channel、height、width]
例如，32x32的彩色图片的通道排序为[3，32，32]。batch是指一批图片的个数，我们这里不指定。
二、torch.nn.Conv2d()函数详解
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
卷积计算输出图片维度的公式
H(output)=(H(input)−F+2P)/S+1
W(output)=(W(input)−F+2P)/S+1
C(output)=K，K是卷积核的个数，输出图片通道的个数=卷积核的个数。
三、torch.nn.MaxPool2d参数详解
class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)MaxPool2d 参数介绍
- kernel_size ：表示做最大池化的窗口大小，可以是单个值，也可以是tuple元组
- stride ：步长，可以是单个值，也可以是tuple元组，如果未指定值就是池化核的大小
- padding ：填充，可以是单个值，也可以是tuple元组
- dilation ：控制窗口中元素步幅
- return_indices ：布尔类型，返回最大值位置索引
- ceil_mode ：布尔类型，为True，用向上取整的方法，计算输出形状；默认是向下取整
池化计算输出图片维度的公式
new_height = (input_height - filter_height)/S + 1
new_width = (input_width - filter_width)/S + 1
池化不改变图像的通道数。
四、transforms.ToTensor()的使用
ToTensor的作用是将导入的图片转换为Tensor的格式，导入的图片为PIL image 或者 numpy.nadrry格式的图片，其shape为（HxWxC）数值范围在[0,255],转换之后shape为（CxHxw）,数值范围在[0,1].
五、transforms.Normalize()的使用
其作用是将图片在每个通道上做标准化处理，即将每个通道上的特征减去均值，再除以方差。
归一化的作用就是将需要处理的数据，经过一定的处理方法（算法），将其数值限制在一定范围内。在深度学习图像处理中，归一化处理之后，可以使数据更好的响应激活函数，提高数据的表现力，减少梯度爆炸和梯度消失的出现。常见的归一化处理是将数据处理为均值是0，方差是1的高斯分布，而transforms.Normalize()就可以实现这样的功能。
简单来说就是将数据按通道进行计算，将每一个通道是数据计算出其方差与均值，然后再将其每一个通道内的每一个数据减去均值，再除以方差，得到归一化后的结果。
六、DataLoader的使用
pytorch中加载数据的顺序是：
- 创建一个dataset对象
- 创建一个dataloader对象
- 循环dataloader对象，将data,label拿到模型中去训练
DataLoader主要是用来装载数据，就是给定已知的数据集，把数据集装载进DataLoaer，然后送入深度学习网络进行训练。
dataset = Mydata()
dataloader = DataLoader(dataset, batch_size = 2, shuffle=True,collate_fn = mycollate)这里假设已经定义了Mydata类。
参数：
- dataset：传入的数据
- shuffle = True:是否打乱数据
- collate_fn：使用这个参数可以自己操作每个batch的数据
七、iter的使用
在python中，iter()函数的功能是：接受一个可迭代对象，将其转换成一个迭代器。
a=[1,2,3]
a_iter=iter(a)
print(a_iter)
print(next(a_iter))
print(next(a_iter))输出的结果为：
八、标准化和反标准化
#-----------------------------------------#
# 均值方差标准化
# 使用距离来度量相似性
# 避免了不同量纲的选取对距离计算产生的巨大影响
def ZscoreNormalization(data, mean, std):
data= (data - mean) / std
return data
# 均值方差反标准化
def UnscoreNormalization(data, mean, std):
data= data* std + mean
return data
#----------------------------------------#九、Numpy和Tensor的互相转化
Tensor转NumPy
a = torch.ones(5)
b = a.numpy()
print(a)
print(b)输出结果为：
tensor([1., 1., 1., 1., 1.])
[1. 1. 1. 1. 1.]NumPy数组转 Tensor
a = numpy.ones(5)
b = torch.tensor(a)
print(a)
print(b)输出结果为：
[1. 1. 1. 1. 1.]
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)十、with的用法
with是一种上下文管理协议，可以很好的处理上下文环境产生的异常。
我们看以下代码：
file = open("/tmp/foo.txt")
data = file.read()
file.close()这里有两个问题:
一是可能忘记关闭文件；
二是文件读取数据发生异常，没有进行任何处理。
而用with可以解决这些问题，代码如下：
with open("/tmp/foo.txt") as file:
data = file.read()十一、Pytorch中.item()的用法
.item()用于在只包含一个元素的tensor中提取值，注意是只包含一个元素，否则的话使用.tolist()
x = torch.tensor([1])
print(x.item())
y = torch.tensor([2,3,4,5])
print(y.tolist())
# 输出结果
1
[2, 3, 4, 5]
