Pytorch搭建神经网络语法笔记

读取json文件

json_path = 'E:\pythonProject\CAM\cam\labels.json'
with open(json_path, 'r') as load_f:
    load_json = json.load(load_f)
classes = {int(key): value for (key, value)
           in load_json.items()}

• #print(load_json) {‘0’: ‘tench, Tinca tinca’, ‘1’: ‘goldfish, Carassius auratus’,
• #print(load_json.items())字典键值对，dict_items([(‘0’, ‘tench, Tinca tinca’), (‘1’, ‘goldfish, Carassius auratus’),
• #print(classes)#{0: ‘tench, Tinca tinca’, 1: ‘goldfish, Carassius auratus’,

net.eval net.named_parameters()

• eval（）时，pytorch会自动把BN和DropOut固定住，不会取平均，而是用训练好的值。
  不然的话，一旦test的batch_size过小，很容易就会被BN层导致生成图片颜色失真极大。eval（）在非训练的时候是需要加的，没有这句代码，一些网络层的值会发生变动，不会固定
  *named_parameters()， 以迭代器的方式返回model中所有的参数，返回值是一个字典：包含参数的名称和数值大小；
  内部实现时使用了递归算法，所以对于嵌套的网络参数，会递归遍历，输出最底层的参数

.data.cpu().numpy().item()

• 返回一个新的Tensor， 这个Tensor和原来的Tensor共享内存空间，一个改变，另一个也会随着改变
• 将数据的处理设备从其他设备（如.cuda()拿到cpu上），不会改变变量类型，转换后仍然是Tensor变量
• 将Tensor转化为ndarray，这里的Tensor可以是标量或者向量（与item()不同）转换前后的dtype不会改变
• 将一个Tensor变量转换为python标量（int float等）常用于用于深度学习训练时，将loss值转换为标量并加，以及进行分类任务，计算准确值值时需要

numpy.squeeze()

• 从数组的形状中删除单维度条目，即把shape中为1的维度去掉

weight_softmax = np.squeeze(params[-2].data.numpy())	# shape:(1000, 512)
#print(params[-2].data.numpy().shape) (1000, 512, 1, 1)
#print(weight_softmax.shape) (1000, 512)