pytorch的快速入门

1.两大法宝

dir()函数，可以知道工具箱以及工具箱中的分隔区有什么东西。
help()函数，知道工具如何使用。
打开PyCharm，在控制台运行逐步运行一下代码。

dir(torch)
dir(torch.cuda)
dir(torch.cuda.is_available)
help(torch.cuda.is_available)

2.比较

3.PyTorch加载数据

Dataset提供一种方式去获取数据及其label（获取每一个数据及其label，告诉我们总共有多少的数据）。
Dataloader为后面的网络提供不同的数据形式。
在pytorch环境下安装opencv。

from torch.utils.data import Dataset
from PIL import Image  # 读取图片
import os

class MyData(Dataset):
    def __init__(self, root_dir, label_dir):
        self.root_dir = root_dir  # root_dir 图片地址
        self.label_dir = label_dir  # label_dir label
        self.path = os.path.join(self.root_dir, self.label_dir)   # 获取图片的地址，此函数的方法可以根据不同的系统对路径及逆行拼接
        self.img_path_list = os.listdir(self.path)   # 将数据转换成list列表
    def __getitem__(self, idx): # 通过索引idx获取图片的地址，首先获取所有图片地址的list
        img_name = self.img_path_list[idx]   # 获取图片的名称
        img_path = os.path.join(self.root_dir, self.label_dir, img_name)  # 每一个图片的位置
        img = Image.open(img_path)  # 读取图片
        label = self.label_dir
        return img, label
    def __len__(self):   # 返回数据的长度
        return len(self.img_path_list)


root_dir ='dataset/train'
ants_label_dir = 'ants'
bees_label_dir = 'bees'
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)

train_dataset = ants_dataset + bees_dataset   # 数据集拼接

4.TensorBoard的使用

4.1 安装tensorboard
法一：anaconda prompt中激活pytorch环境进行安装
法二：打开pycharm中，在pytorch环境下的项目中，点击terminal，输入pip install tensorboard


上图已经成功安装了。
在terminal中输入tensorboard --logdir=logs --port=6007，logdir=事件文件所在文件夹名，–port=端口号，自己可以指定一个端口号。也可以使用anaconda的命令行prompt。

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('logs')  # save file

# writer.add_image()  # add image ,常用来观察训练结果
# y = x
for i in range(100):
    writer.add_scalar('y = x', 2*i, i) # 参数tag--title, scalar_value--y axis, global_step (int)--x axis
# writer.add_scalar()  # add scalar data to summary

writer.close()

4.2 add_image()的使用

 def add_image(self, tag, img_tensor, global_step=None, walltime=None, dataformats='CHW'):
        """Add image data to summary.

        Note that this requires the ``pillow`` package.

        Args:
            tag (string): Data identifier
            img_tensor (torch.Tensor, numpy.array, or string/blobname): Image data
            global_step (int): Global step value to record
            walltime (float): Optional override default walltime (time.time())
              seconds after epoch of event
        Shape:
            img_tensor: Default is :math:`(3, H, W)`. You can use ``torchvision.utils.make_grid()`` to
            convert a batch of tensor into 3xHxW format or call ``add_images`` and let us do the job.
            Tensor with :math:`(1, H, W)`, :math:`(H, W)`, :math:`(H, W, 3)` is also suitable as long as
            corresponding ``dataformats`` argument is passed, e.g. ``CHW``, ``HWC``, ``HW``.

        Examples::

            from torch.utils.tensorboard import SummaryWriter
            import numpy as np
            img = np.zeros((3, 100, 100))
            img[0] = np.arange(0, 10000).reshape(100, 100) / 10000
            img[1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000

            img_HWC = np.zeros((100, 100, 3))
            img_HWC[:, :, 0] = np.arange(0, 10000).reshape(100, 100) / 10000
            img_HWC[:, :, 1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000

            writer = SummaryWriter()
            writer.add_image('my_image', img, 0)

            # If you have non-default dimension setting, set the dataformats argument.
            writer.add_image('my_image_HWC', img_HWC, 0, dataformats='HWC')
            writer.close()

        Expected result:

        .. image:: _static/img/tensorboard/add_image.png
           :scale: 50 %

        """
        torch._C._log_api_usage_once("tensorboard.logging.add_image")
        if self._check_caffe2_blob(img_tensor):
            img_tensor = workspace.FetchBlob(img_tensor)
        self._get_file_writer().add_summary(
            image(tag, img_tensor, dataformats=dataformats), global_step, walltime)

主要关注tag, img_tensor, global_step三个参数，tag是标题，img_tensor是image data ，对数据的类型有要求。
Shape中img_tensor默认的是(3,H,W)，3通道，H高度，W宽度；如果3在后面(H, W, 3)，要设置dataformats参数，设置为CHW。

（1）利用opencv读取图片，获得numpy型图片数据。

image_path = 'dataset/train/ants/0013035.jpg'
import cv2
cv_img = cv2.imread(image_path)   # 读取图片

（2)利用numpy.array()，对PIL图片进行转换。
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。

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter('logs')  # save file
image_path = 'dataset/train/ants/0013035.jpg'
image = Image.open(image_path)
image_array = np.array(image)

writer.add_image('test', image_array, 1, dataformats='HWC')  # add image ,常用来观察训练结果，第三个参数1，表示第一步
# y = x
for i in range(100):
    writer.add_scalar('y = x', i, i) # 参数tag--title, scalar_value--y axis, global_step (int)--x axis
# writer.add_scalar()  # add scalar data to summary

writer.close()

5.Transforms的使用

5.1 transforms的结构及用法
（1）transforms.ToTensor()的使用

from torchvision import transforms
from PIL import Image

image_path = 'dataset/train/ants/0013035.jpg'
image = Image.open(image_path)

tensor_trans = transforms.ToTensor()  # 返回一个ToTensor的对象
tensor_img = tensor_trans(image)  # 使用ctrl + p可以查看括号中需要的参数。将一个image的图片转换成一个tensor的image
print(type(tensor_img))

（2)Normalize()的使用
（3)Resize()的使用
（4)Compose的使用

（5)RandomCrop()用法

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

writer = SummaryWriter('logs')
image_path = 'dataset/train/ants/0013035.jpg'
image = Image.open(image_path)
# 1.ToTensor
tensor_trans = transforms.ToTensor()  # 返回一个ToTensor的对象
tensor_img = tensor_trans(image)  # 使用ctrl + p可以查看括号中需要的参数。将一个image的图片转换成一个tensor的image
# print(type(tensor_img))
writer.add_image('ToTensor', tensor_img)

# 2.Normalize
print(tensor_img[0][0][0])
norm_trans = transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5])  # 第一个参数是mean均值，第二个参数是标准差
norm_img = norm_trans(tensor_img)
print(norm_img[0][0][0])
writer.add_image('Normalize', norm_img)

# 3.Resize,输入必须是一个PIL image
print(image.size) # 输出一下原始图片尺寸的大小
resize_trans = transforms.Resize((512,512))
# img PIL -> resize -> resize_img PIL
resize_img = resize_trans(image)
# resize_img PIL -> ToTensor -> resize_img tensor
resize_img = tensor_trans(resize_img)
writer.add_image('Resize',resize_img,0)

# 4.Compose - Resize,输入必须是一个PIL image
resize_trans2 = transforms.Resize(512)
# PIL -> PIL -> tensor
trans_compose = transforms.Compose([resize_trans2, tensor_trans])
resize_img2 = trans_compose(image)
writer.add_image('Resize',resize_img2,1)

# 5.RandomCrop()用法，随即裁剪
trans_random = transforms.RandomCrop(512)
trans_compose_2 = transforms.Compose([trans_random, tensor_trans])
for i in range(10):
    img_crop = trans_compose_2(image)
    writer.add_image("RandomCrop", img_crop, i)

writer.close()