PyTorch深度学习快速入门学习笔记

此文章仅为本人的学习笔记，记录学习过程。
侵权删。

视频地址：https://www.bilibili.com/video/BV1hE411t7RN?share_source=copy_web

P1，P2，P3.PyTorch环境的配置及安装

1.安装 Anaconda

网址： www.anaconda.com

有序的管理环境

以后，你有可能会遇到不同的环境需要不同的版本的环境。比如一个项目需要pytorch 0.4 ，而另一个项目要用到pytorch 1.0 。不肯能运行一个项目就更换一个环境，那就太费事了。
所以，Anaconda集成的conda包就可以解决这个问题，它可以分别创造两个屋子，相互隔离。一个房子安装 0.4版本，一个房子安装1.0版本。需要哪个版本就去哪一个屋子工作。

1.首先使用conda指令创建一个屋子，叫做 pytorch（可自定义）；
指令如下：

conda create -n pytorch python=3.6

其中，conda 是指调用conda包，create 是创建的意思， -n 是指后面是屋子的名字， pytorch是屋子的名字（可自定义），python=3.6 是指创建的屋子，是python3.6版本。
2.之后激活屋子
指令如下：

conda active pytorch

其中 pytorch指的是你要进入的环境。

2.Pytorch安装

https://blog.youkuaiyun.com/qq_41273406/article/details/118311409

P4.python中两大法宝函数

dir()  # 打开，看看其中有哪些内容
help() # 说明书，如何使用这个工具

P5. Pytorch数据加载

from torch.utils.data import Dataset
import cv2
from PIL import Image
import os
class MyData(Dataset):
    def __init__(self, root_dir, label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir, self.label_dir) #将两个地址加起来
        self.img_path = os.listdir(self.path) #


    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.path, img_name)
        img = Image.open(img_item_path)
        lable = self.label_dir
        return img, lable

    def __len__(self):
        return len(self.img_path)

root_dir = "data/train"
ants_label_dir = "ants_image"
bees_label_dir = "bees_image"

ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)

train_dataset = ants_dataset + bees_dataset

P7. Tensorboard的使用1

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")

# writer.add_image()  #图像
# writer.add_scalar() #
for i in range(100):
    writer.add_scalar("y=x", i, i)
    writer.add_scalar("y=2x", 2*i, i)


writer.close()

运行完会产生logs文件夹

可以修改端口：默认端口：6006

如果没有数据可以换一个浏览器，我在Google上可以看到。

P8. Tensorboard的使用2

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image
writer = SummaryWriter("logs")

image_path = "data/train/ants_image/0013035.jpg"#图片路径
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL) #将数据转换成numpy类型

writer.add_image("名字", img_array, 1, dataformats='HWC')#dataformats='HWC'是选择通道数， 1是步长


writer.close()

刷新网址

P9.Transforms的使用

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
# python的用法 ---> tensor 数据类型
# 通过 transforms.ToTensor 去看两个问题
#1.transforms该如何使用
#2.为什么我们需要Tensor数据类型


# img_path = r"E:\PyCharm_Demo\learn_pytorch\data\train\bees_image\16838648_415acd9e3f.jpg" #绝对路径 r 取消转义
img_path = "data/train/bees_image/16838648_415acd9e3f.jpg"#相对路径
img = Image.open(img_path)

#1.transforms该如何使用
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)
print(tensor_img)

# 2.
writer = SummaryWriter("logs")
writer.add_image("Tensor_img", tensor_img)

writer.close()

P12.常见的Transforms

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/img.png")
print(img)

# ToTensor的使用
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)

#Normalize的使用（归一化）
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]) #提供标准差
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)



writer.close()

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("images/img.png")
print(img)

# ToTensor的使用
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)

#Normalize的使用（归一化）
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]) #提供标准差
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

# Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
img_resize = trans_resize(img)
img_resize = trans_totensor(img_resize)
writer.add_image("Resize", img_resize, 0)
print(img_resize)

#Compose - resize -2

trans_resize_2 = transforms.Resize(512)
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
img_resize_2 = trans_compose(img)
writer.add_image("Resize2", img_resize_2, 1)

#RandomCrop

trans_random = transforms.RandomCrop(512)
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop", img_crop, i)



writer.close()

总结：

P14. torchvision中的数据集使用

import torchvision
from torch.utils.tensorboard import SummaryWriter

dataset_transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])


train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=dataset_transform, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=dataset_transform, download=True)

# print(test_set[0])
#
# img, target = test_set[0]
# print(img)
# print(target)
# print(test_set.classes[target])
# img.show()

# print(test_set[0])

writer = SummaryWriter("P14" )

for i in range(10):
    img, target = test_set[i]
    writer.add_image("test_set", img, i)

writer.close()

假如下载速度太慢，可以用迅雷下载，下载网址如下图

从上图跳转到下图，向上翻可以找到url，这个就是网址。

下载好后。
新创一个如下图的文件夹，将下载的压缩包直接复制到该文件下运行即可。

提取压缩包：

它会自动减压文件，如下图。

P15. DataLoader 的使用

import torchvision
# 准备的测试数据集
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset_transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])
test_data = torchvision.datasets.CIFAR10("./dataset", train=False, transform=dataset_transform )

test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=True)
# dataset:数据来源 batch_size:一组的数量， shuffle：是否打乱顺序取值  drop_last：是否删除最后数量不够的一组

#测试数据集中的第一张图片及target
img, target = test_data[0]
print(img.shape)
print(target)

writer = SummaryWriter("dataloder")
step = 0
for data in test_loader:
    imgs, targets = data
    # print(imgs.shape)
    # print(targets)
    # writer.add_images("test_data", imgs, step)
    writer.add_images("test_data_drop_last", imgs, step)
    step = step + 1

writer.close()

P16.神经网络的基本骨架-nn.Module的使用

import torch
from torch import nn


class MyModule(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, input):#定义卷积网络
        output = input + 1
        return  output

module = MyModule()

x = torch.tensor(1.0)
output = module(x)
print(output) # tensor(2.)

P17. 卷积操作

计算规则：

参数设置：

import torch
import torch.nn.functional as F
input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2