学习pytorch记录

目录

安装python的pytorch

然后接下来，开始在pycharm（对python很好的IDE）里面进行pytorch的学习。

首先是张量tensor的学习

预备的数学知识

首先是贝叶斯公式：

最大似然估计：

激活函数sigmoid与relu

安装python的pytorch

1、首先是配置环境anconda选择2.3.1的版本(真心称赞这个andonda的好用)

 为了避免和其他配置环境发生冲突，另外配置了一个python3.8的环境用来安装pytorch。

输入(在使用anconda命令之前，可以先anconda activate base激活环境)

conda --version

conda create -n pytorch python=3.8

conda info --envs

输入conda info --envs，即可查看环境设置

 然后输入conda activate pytorch进入刚创建好的环境。（注意前面的（）是否发生了改变）

输入nvidia-smi，即可查看可使用的CUDA版本（我的是CUDA Version: 11.7），CUDA是为了使用GPU而安装的，而GPU可以加速运算，节约时间。

PyTorch--安装地址，进去后会看到

选择下面的Previous versions以前的版本，主要是最新版本不一定好

最后我选择了这个进行下载。

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

完成后，显示如下：

 使用

conda list

去查询安装包

 发现安装成功了！也可以利用

import torch

torch.cuda.is_available()

如果返回True，则说明配置完成了。

记得先python，进入环境，不然会报红色的错误。

另外，如果安装pytorch速度慢可以走镜像，或者挂梯子。

参考镜像如下：

 清华：https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/

更改一哈代码，即可

conda install pytorch torchvision torchaudio –c 镜像地址
Conda install cudatoolkit=版本 –c 镜像地址

以上内容，为参考博主的文章链接：

2023最新pytorch安装教程，简单易懂，面向初学者（Anaconda+GPU）_pytorch安装、_时宇羽然的博客-CSDN博客

然后接下来，开始在pycharm（对python很好的IDE）里面进行pytorch的学习。

首先安装了pycharm，具体安装方式，本文不在阐述，很久以前安装的，我也忘了。

 设置好环境

 

 查看编译器，说明还没有将之前的pytorch的环境导入进来，那在这里设置一哈

先点击show all进去

 发现并没有我们之前创建的python环境，点击旁边的+号

现在可以看到，pytorch的环境配置进来了

 然后再在外面选择好这个编译器，即可使用它的环境。

所有的环境和配置都搭建好了，正式开始学习pytorch

对于pytorch。我是需要用它进行深度学习，来训练模型，然后将模型放入移动端c++中。

大体的流程是训练得到的模型文件（类似pt）转出为onnx文件，然后在C++中导入，并解析onnx文件，进行再推理，然后移植到QT中，打包成exe文件发布。

因此，首先来了解pytorch的常用工具包：

torch ：类似 NumPy 的张量库，支持GPU；
torch.autograd ：基于 type 的自动区别库，支持 torch 之中的所有可区分张量运行；
torch.nn ：为最大化灵活性而设计，与 autograd 深度整合的神经网络库；
torch.optim：与 torch.nn 一起使用的优化包，包含 SGD、RMSProp、LBFGS、Adam 等标准优化方式；
torch.multiprocessing： python 多进程并发，进程之间 torch Tensors 的内存共享；
torch.utils：数据载入器，具有训练器和其他便利功能；
torch.legacy(.nn/.optim) ：出于向后兼容性考虑，从 Torch 移植来的 legacy 代码；

写pytorch代码的方法和步骤：

1、编写自己的深度学习网络架构

2、编写要训练的数据的便签和文件路径索引

3、将数据放入搭建好的网络模型中

首先是张量tensor的学习

tensor使用的api接口

方法名	说明
tensor()	直接构造张量，支持list和numpy数组的索引方式
eye(row,column)	创建指定行数row&列数column的单位tensor(生成的是单位阵)
linspace(start,end,count)	在[start,end]上创建count个元素的一维tensor
logspace(start,end,count)	在[10s,10e]上创建c个元素的一维tensor
ones(size)	返回指定shape的tensor，元素初始值为1
zeros(size)	返回指定shape的tensor，元素初始值为0
ones_like(t)	返回一个tensor，shape与t相同，且元素初始值为1
zeros_like(t)	返回一个tensor，shape与t相同，且元素初始值为1
arange(s,e,sep)	在区间[s,e)上以间隔sep生成一个序列张量

 首先创建一个python文件输入以上代码，产生了如下错误：

 发现是自己没有安装numpy，于是去安装了，这里采用的清华镜像去安装。

 再次运行程序，发现红色部分就消失了。

预备的数学知识

首先是贝叶斯公式：

最大似然估计：

激活函数sigmoid与relu

训练yolov8与yolov5的心得：

设置batch_size有助于加快训练收敛，但是会增大显存的使用，默认batch=-1，那么会在训练过程中自动调整batch_size的大小，如果人为设置的话一定要是2的倍数。

在训练过程里面出现的几个参数：

在训练 YOLOv8 模型时，打印的这些参数提供了关于训练过程的详细信息。以下是每个参数的含义：

1. Epoch：指当前训练的轮数（epoch），一轮训练是指整个数据集的一次完整遍历。通常，模型需要在整个数据集上多次遍历（即多个epochs）以进行充分的训练。通常100个回合作起步-如果数据量大的话
2. GPU_mem：显示当前GPU内存的使用情况。这对于监控模型训练过程中GPU内存的占用情况非常有用，以确保硬件资源足够且没有达到内存限制。
3. box_loss：表示目标框（box）的损失。它用于优化模型预测的目标框位置和大小。较低的值通常意味着模型在预测目标框方面表现较好。值在1-10之间
4. cls_loss：表示类别损失。它用于优化模型预测的目标类别。较低的值通常意味着模型能够正确预测目标的类别。在0.1-1之间
5. dfl_loss：表示密集采样框（dense sampling）的损失。这可能与目标检测中的某些策略有关，例如密集采样目标框或是在目标框上应用密集的滤波器。
6. Instances：表示当前批次中检测到的实例数量。这可以帮助了解模型在单个批次中的性能，并观察随着训练的进行实例数量是否有所增加。看数字会不会不断增长。