pytorch使用

pytorch使用

1.x=x.view(x.size(0),-1)
tensor变量函数view主要类似于resize，将矩阵重新排列，如view(3,2)表示将矩阵变为，3行2列
view(m,-1)中-1表示自适应，不知道有多少列，根据实际情况推断有多少列
x=x.view(x.size(0),-1)主要是为了将数据变为一维展开
2.img,label=data
data为tensorl类型的数据，这种写法表示的是提取tensor中的对应两部分的值
3.pytorch加载图片数据
（1）dataset：支持两种不同类型的数据集
map-style:这种数据集主要实现两个函数__getitem__()和__len__(),getitem()可以表示从索引/关键字到数据的映射
Iterable-style datasets:主要使用了__iter__()函数
（2）DataLoader作为一个迭代器来加载数据
结合数据集与样本，在给定的数据集上提供一个迭代
参数
dataset：数据来源
batch_size：每一次批处理加载的样本，代表的是每次所取的样本数量，内存中存储的数据量，每次forward，backword时的数据
shuffle:在每个时机随机打散数据
sampler:定义从数据集绘制样本的策略
collate_fn:将一个样本列表合并成一小批张量
drop_last:True，最后一个不满batch的数据集将被丢弃;False:最后一个不满batch的数据集将更小
timeout:从workers收集数据集的时间
dataset主要是定义数据集，数据集的位置，数据集返回的形式等，而dataloader主要定义的是数据集的读取形式，主要是为了实现batch，多线程获取数据，取得的一个batch的数据可以通过collate_fn函数来定义其返回的形式

具体说明:
collate_fn 的参数是从dataset中获得的batch大小的数据，batch中包含的是每一个元素是dataset中通过__getitem__获得的数据，collate_fn定义的是如何对这一批数据进行处理
（3）图片预处理
主要使用的包为torchvision.transforms,使用的函数为transforms.ToTensor()和transforms.Normalize()
transforms.ToTensor将图片转换为pytorch中的处理对象tensor，在处理过程中将图片自动标准化了，也就是说Tensor的范围是0-1
transforms.Normalize:标准化，将图片转化到相应的范围内，transforms.Normalize（[0.5],[0.5]）,第一个参数代表均值，第二个参数代表方差，所做的处理是先减去均值，再除以方差，将数据转换到-1–1之间
（4）len(dataloader)
（5）typeError错误，初始化函数为__init__ is not the int
（6）dataloader实际上是一个数据的容器，规定了每次读取数据的大小，如何读取数据，如何取样，work数等
dataset完成的实际上是数据的一个转换，对于读取到的数据如何进行转换得到符合一定格式要求的数据

4.os.path.dirname(file)返回脚本的路径，即文件路径中所在的目录（不包含文件名）
如：
import os
path=os.path.dirname(‘D:\test\t.py’)
print(path)

结果
D:\test
os.path.append(‘引用模块的地址’),将引用的模块添加进本路径

5.tensflow中的tf.nn.sparse_softmax_cross_entropy_with_logits()
是分类中经常用到的函数，实际代表的意义为将一个向量归一化
归一化的方式为：