最基础的深度学习编程的四个python文件，实属学习Deep Learning的必备知识。

本文链接：https://blog.youkuaiyun.com/xjt921122/article/details/136764239

介绍4个最基础的深度学习编程的文件，实属学习Deep Learning的必备知识。废话少说，咱直接开写！

1 model.py( 两个类; 四个函数)

1. model.py( 两个类; 四个函数)``   ``# 定义最基础模块的类``class DoubleConv(nn.Module):`  `  # 实现init函数，在这里定义模块的网络结构`  `def __init__()`  `  # 实现forward函数，在这里写出数据是如何在上述网络结构中流动的`        `def forward()``   ``   ``class UNET(nn.Module)`  `  # 实现init函数，在这里定义模块的网络结构`  `def __init__()`  `  # 实现forward函数，在这里写出数据是如何在上述网络结构中流动的`  `def forward()

首先，我们看到model.py里定义了两个类，DoubleConv和UNET。这两个类都继承自nn.Module，这是PyTorch中构建模型的基础。__init__()函数负责定义模型的结构，而forward()函数则描述了数据在模型中的传播过程。

理解这两个函数的作用是掌握深度学习模型的关键。这里的模型架构可能需要根据你的具体任务进行调整，记住，“好的模型架构是任务成功的一半”。

2 train.py( 两个函数)

   ``   ``# 定义训练函数， for循环loader，获取数据，forward， backward``def train_fn(loader, model, optimizer, loss_fn, scaler)`  `for batch_idx, (data, targets) in enumerate(loop):``   ``# 主函数``def main()`  `train_transform`  `val_transforms`  `# 定义模型`  `model = UNET(in_channels=3, out_channels=1).to(DEVICE)`  `# loss函数`  `# 优化器`  `  # 定义好数据的loader`  `train_loader, val_loader = get_loaders()`  `  # 开始一个个epoch循环`  `for epoch in range(NUM_EPOCHS):`    `# 把上面四个东西，给训练函数，开始训练`    `Train_fn()`    `    # 保存模型`    `Save_checkpoint()`    `    #检查精度。需要一个model和测试数据的loader`    `check_accuracy(loader, model, device = "cuda"):

接着，我们看到train.py中定义了训练过程。这里首先定义了一些超参数，如学习率、批处理大小、图像大小等。这些参数是训练过程中可以调整的，它们对模型的性能有直接影响。训练函数train_fn是训练过程的核心，它通过遍历数据加载器（loader）获取数据，然后进行前向传播（forward）和反向传播（backward）。

主函数main则负责整个训练流程，包括数据预处理、定义模型、定义损失函数和优化器、加载数据、进行训练、保存模型和检查精度。

3 dataset.py (一个类; 三个函数)

class MyDataset(Dataset):`  `# should give the dir where to get images and labels`  `def __init__(self, image_dir, mask_dir, transform = None):`  `  def __len__(self):`  `  # should have a "index" to sent to the function`  `def __getitem__(self, index):``   ``

dataset.py中定义了一个数据集类MyDataset，这个类继承自Dataset，是PyTorch中构建数据集的基础。

__init__()函数负责初始化数据集，

__len__()函数返回数据集的大小，

而__getitem__()函数则负责获取数据集中的数据。

4 utils.py (多个函数)

#保存模型的函数``def save_checkpoint():``   ``#加载模型的函数``def load_checkpoint(checkpoint, model):``   ``# 获取数据loader的函数``# 需要知道数据文件夹的路径，还有batchsize，还有要没有数据变换``def get_loaders(`    `train_dir,`    `train_maskdir,`    `val_dir,`    `val_maskdir,`    `batch_size,`    `train_transform,`    `val_transform,`    `num_workers=4,`    `pin_memory=True,``):``   ``# 训练过程中查看网络的精度``def check_accuracy(loader, model, device = "cuda"):``   ``# 训练过程中保存数据``def save_predictions_as_imgs():``

最后，utils.py中定义了一些辅助函数，包括保存模型、加载模型、获取数据加载器、检查精度和保存预测结果等。这些函数可以帮助你更好地管理你的训练过程。