配置与安装Pytorch
之前装过了就不写在这了，anaconda真好用.jpg
显卡：驱动 + CUDA工具包
检查驱动：任务管理器 -> 性能 -> GPU
能显示型号说明驱动是ok的
创建环境
和“把大象装进冰箱”一样需要三步：
①进入anaconda prompt
②conda create -n pytorch python=3.6
ps:这里的“pytorch”是我们取的环境名，“=3.6”是需要的版本号
③conda activate pytorch（进入环境）
进入环境后可以输入一些命令进行进一步查看：
pip list 看看我们有哪些包
torch.cuda.is_available() 返回true说明pytorch可以使用GPU
python学习中的两大法宝函数
dir() 能让我们知道工具箱以及工具箱中的分隔区有什么东西
help() 能让我们知道每个工具的使用方法
python文件、python控制台与Jupyter对比
如果说“代码是以块为一个整体运行”的话：
①python文件的块时所有行的代码
优：通用，传播方便，适用于大型项目
缺：需要从头运行
②python控制台以每一行为块运行
优：显示每个变量的属性
缺：不利于代码阅读和修改
③Jupyter以任意行为块运行
优：利于代码阅读及修改
缺：环境需要配置
加载数据
Dataset：为提供一种方式去获取数据及其label
①如何获取每一个数据及其label？
②总共有多少数据？
Dataloader：为后面的网络提供不同的数据形式
//补代码
Tensorboard的使用
tensorboard --logdir=logs --port=6007
logdir=事件文件所在文件夹名
port=指定端口号（避免和其他人的端口一样）
但有个小问题，改图像函数关系但没改图像名，会出现奇怪的事情
解决方案：
①杀掉进程重新开始（或者把事件文件夹删掉）
②官方建议：子文件夹，也就是创建新的SummaryWriter(“新文件夹”)
SummaryWriter
//补代码
add_image
问题：参数类型和Image.open()读的PIL类型不同咋办？
解决方案：
①利用OpenCV读取图片，获得numpy型图片数据
②利用numpy.array()，对PIL图片进行转换（还要注意shape，如：CHW，etc）
即：从PIL到numpy，需要在add_image()中指定shape中每一个数字/维表示的含义
//补代码
常见Transforms
python中__call__的用法：
内置函数可以直接通过“对象（参数）”调用；
自己写的方法需要用“对象.方法（参数）”调用；
ToTensor的使用：
//补代码
Normalize的使用：
//补代码
PyCharm使用小技巧设置：忽略大小写进行提示匹配
一般情况下，需要输入R，才能提示出Resize
我们想设置，即便输入的是r，也能提示出Resize
也就是忽略了大小写进行匹配提示
Resize()的使用：
//补代码
Compose()的使用：
Compose()中的参数需要是一个列表
python中，列表的表现形式为[数据1，数据2，…]
在Compose中，数据需要是transforms类型
所以得到，Compose([transform参数1，transform参数2， …])
注意：Compose后面参数的输入和前面参数的输出要同一类型，不然报错
//补代码
RandomCrop()的使用：
//补代码
总结：
①关注输入和输出类型
②多看官方文档
③关注方法需要什么参数
torchvision中的数据集使用
官网上有一个模块torchvision，里面有好多，可以用，还能帮咱下载
//补代码
DataLoader的使用
//补代码
神经网络的搭建
torch.nn超好用.jpg
//补代码
卷积层
常用这个：
参数：
看论文的时候可以根据这个公式对图像尺寸进行一个导的推：
//补代码
最大池化的作用
热知识：最大池化也被称为下采样，相反的（MaxUnpool）就是上采样.
常用这个：
参数：
ceil_mode == true，保留边缘不足情况时的池化结果；反之不保留。
//补代码
最大池化的作用：
保留输入图像特征，并使数据量减小
非线性激活
常用的激活函数：
ReLU的图像：
sigmoid图像：
inplace == true，覆盖输入；反之不覆盖
//补代码
线性层及其它层介绍
正则化层：加速网络训练（看看就行也不咋用）
Recurrent Layers：用啥拿啥（特定使用）
Transform Layers：也是用啥拿啥（特定使用）
Linear Layers:（常用）
//补代码Dropout Layers：避免过拟合
Sequential的使用
搭建小实战
//补代码
损失函数与反向传播
Loss Function:
①计算实际输出和目标之间的差距
②为我们更新输出提供一定的依据（反向传播）
优化器
//补代码
现有网络模型的使用及修改
模型的保存与加载
使用GPU（两种方式）
直接粘贴了土堆的代码，看一下就懂了嘿
方法一：
# -*- coding: utf-8 -*-
# 作者：小土堆
# 公众号：土堆碎念
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))
# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
tudui = Tudui()
if torch.cuda.is_available():
tudui = tudui.cuda()
# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
loss_fn = loss_fn.cuda()
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)
# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10
# 添加tensorboard
writer = SummaryWriter("../logs_train")
for i in range(epoch):
print("-------第 {} 轮训练开始-------".format(i+1))
# 训练步骤开始
tudui.train()
for data in train_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
writer.add_scalar("train_loss", loss.item(), total_train_step)
# 测试步骤开始
tudui.eval（)
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss: {}".format(total_test_loss))
print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
writer.add_scalar("test_loss", total_test_loss, total_test_step)
writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
total_test_step = total_test_step + 1
torch.save(tudui, "tudui_{}.pth".format(i))
print("模型已保存")
writer.close()方法二：
# -*- coding: utf-8 -*-
# 作者：小土堆#
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
# 定义训练的设备
device = torch.device("cuda")
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))
# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
tudui = Tudui()
tudui = tudui.to(device)
# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)
# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10
# 添加tensorboard
writer = SummaryWriter("../logs_train")
for i in range(epoch):
print("-------第 {} 轮训练开始-------".format(i+1))
# 训练步骤开始
tudui.train()
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
writer.add_scalar("train_loss", loss.item(), total_train_step)
# 测试步骤开始
tudui.eval（)
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss: {}".format(total_test_loss))
print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
writer.add_scalar("test_loss", total_test_loss, total_test_step)
writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
total_test_step = total_test_step + 1
torch.save(tudui, "tudui_{}.pth".format(i))
print("模型已保存")
writer.close()
