图像分类：ResNet18+CIFAR-10数据集

一、安装anaconda和pycharm【Windows】

主要参考两篇（两篇都很详细，我就不列出具体步骤了）：
1.Anaconda安装-超详细版(2023)
2.PyCharm安装教程及基本使用（更新至2024年新版本），教你迈出学习python第一步

二、anaconda＋pycharm

参考这篇：Anaconda+PyCharm创建环境及配置环境

注意的点：👇👇👇

1.conda创建虚拟环境时，报错InvalidArchiveError

①清理缓存法：conda clean --all【未解决】
②更改权限（不是Linux），参考这篇：改pkgs文件属性【解决】
！ 寻找解决过程中，看到有说系统用户名是中文也可能造成这种问题，而我自己的用户名就是中文，后来去搜索了更改用户名的方法，但是卡在了注销后，去文件夹更改名字那步，显示【文件夹已打开】，这里网上教的方法是：打开资源监视器，搜索句柄【用户名】并结束进程，但我搜出来一大堆，有些甚至都结束不了，我想我应该理解有问题，于是没再继续试了。

2.创建的虚拟环境在C盘，不在anaconda安装目录下的env中。

可以在输入conda create -n demo_env python=3.9后，[y/N]选择之前就看看环境计划装在哪里，如图所示（下图是改好后的）。

⭐解决参考这篇：windows下安装虚拟环境保存在C盘之解决方案
我简要列出步骤：
①在C盘user（用户）/xxx（用户名）下找到 .condarc 文件打开，添加：

envs_dirs:
  - D:\anaconda\install\envs（根据自己真实情况修改）

这篇文章里添加的不止这个，但我按他的来的话，会报错编码问题，因为我的路径中有中文，所以我只好删掉了，不过不影响。
②如果按照我上面提供的安装anaconda教程来的话，在安装时选的应该是all users而不是just me，所以就要按这篇解决教程中提供的方法走：右击更改envs属性，添加权限。

3.pycharm创建项目时，如果看到conda no found之类的提示

⭐可参考这篇：Conda executable is not found解决方法

三、ResNet复现

1.第一次尝试

⭐【直接去GitHub下载了源码，里面东西很多，想跑通它对于小白的我有点难度，如下所示，我最终差不多就停在了安装依赖后，后面要训练数据集，有些太大我电脑带不起来，后来师姐帮我看了一下，但问题太多还是没用成功，于是暂时放弃这个了，前面步骤在下面写了，大家可以参考一下。】

GitHub： https://github.com/pytorch/vision
Git安装： 参考Git安装详解（写吐了，看完不后悔）
把git安装好后，pycharm终端用git仍然报错，网上搜了一堆觉得自己配置什么的都合适啊——最终重启电脑解决了。
安装依赖（两种，我都来了一遍）：
①进入docs目录下：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
②回到vision-main目录下：pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

2.后续未成功尝试中的部分问题记录

①Failed to initialize NumPy: DLL load failed while importing _multiarray_umath: 找不到指定的模块。
翻译： 用户警告：初始化NumPy失败：在导入_multiarray_umath时DLL加载失败：找不到指定的模块。
问题背景： conda的虚拟环境，按照setup.py或者requirements.txt安装了所有的依赖包，在python解释器下运行“import torch”显示的错误。
⭐解决【！看看就好，先不要直接照做】：大体思路是，更新或者重装numpy包。
因为我记不太清刚开始遇到这问题时，是更新numpy还是了重装numpy，反正最后warning“无效分发”还是“已安装numpy”的问题，可能是因为在site-packages目录中有一个损坏或不完整的NumPy分发，所以我去anaconda目录下找到虚拟环境中的\lib\site-packages，手动删掉里面之前的numpy包，然后再重装numpy。

②torch.hub.load从PyTorch Hub加载预训练模型时，模型文件会被下载到本地，默认情况下，这些文件会被保存在PyTorch的缓存目录中。在大多数系统中，这个缓存目录位于用户的主目录下的一个隐藏文件夹内，通常在C盘，具体路径可能因操作系统和PyTorch版本而异。
在Windows系统中，PyTorch缓存目录通常位于：C:\Users<username>.cache\torch\hub
这条更改PyTorch缓存目录：set TORCH_HOME=新路径
对我没用😭😭😭

3.一切从简，成功跑通

✍写在前面：
①我电脑内存所剩不多，C、D盘都已爆红，所以我不太能够用比较大的数据集去跑代码，而我这次任务的主要目的是学习resnet，所以不需要对数据集有多高的要求，最终我选择了较小的CIFAR-10数据集。
②我从前只是稍微了解过深度学习，但想基本看懂代码有点困难（没学过python），我不太清楚完整项目（比如从网上下载的resnet完整源码）里各个文件的用处，在短时间内我也很难吃透，所以我就改变了思路，一个一个地往我自己的空项目里加文件，每加上去的一个文件我都要知道它的用途。

⭐正式开始啦！
我一共有四个.py文件：
①train.py和②resnet.py参考的这篇：
(Pytorch)ResNet代码复现CIFAR-10数据集
③test.py是让AI根据train和resnet写出来的（它应该也是参考借鉴现有的）。

👉train.py我把epoch改成了25（原本是300），我是CPU，训练得太慢了。

问题记录：
（1）FutureWarning：警告正在使用torch.load函数加载模型权重时没有设置weights_only=True。这个参数的作用是告诉PyTorch在加载权重时只期待模型权重，而不是完整的模型对象。这有助于提高安全性，因为默认的 pickle 模块可能会执行不安全的代码。未来版本的PyTorch将默认设置weights_only=True。
⭐解决：在遇到使用torch.load函数时，就设置成（括号里在后面加上就行）weights_only=True。
（2）RuntimeError：在尝试将权重加载到ResNet模型时，state_dict中缺少了一些关键，并且出现了一些意外的键。这通常意味着保存的权重文件与模型结构不匹配，或者权重文件包含了额外的信息（如优化器状态和训练epoch），这些信息不是模型权重。
⭐解决：（本来想说下解决问题的心路历程，还是算了不说太多废话）
首先，从train.py代码中能够得知，我们的权重文件ResNet.pth的确包含有三个信息：

而我们现在只要model_state_dict，就需要把它提取出来，于是就有了我的第四个.py文件：tiqu.py（其实这个也可以不单独整出来）

import torch

# 加载检查点文件
checkpoint = torch.load('ResNet.pth', map_location='cpu')
# 提取模型权重
model_weights = checkpoint['model_state_dict']
# 保存仅包含权重的新文件
torch.save(model_weights, 'ResNet_weights.pth')

这样ResNet_weights.pth权重文件中就只有model_state_dict了。
然后再把之前test.py中的权重文件由ResNet.pth→ResNet_weights.pth就行啦！

终端输入：tensorboard --logdir=logs（这个是日志目录，我的是logs） --port=6006
获得TensorBoard的默认地址，打开即可看到记录的数据。

test.py：

import sys

import torch
import torchvision.transforms as transforms
from torchvision.datasets import CIFAR10
from torch.utils.data import DataLoader
from tqdm import tqdm

# 确保 resnet.py 文件中的 ResNet18 类被正确导入
from resnet import ResNet18
from train import writer

# 定义是否使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 加载训练好的模型权重
model = ResNet18().to(device)
model.load_state_dict(torch.load('ResNet_weights.pth', map_location=device,weights_only=True))
model.eval()  # 设置为评估模式

# 准备测试数据集并预处理
transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])

test_dataset = CIFAR10(root='./data', train=False, download=True, transform=transform_test)
test_loader = DataLoader(test_dataset, batch_size=100, shuffle=False, num_workers=0)
test_num = len(test_dataset)
test_steps = len(test_loader)

# 测试模型
correct = 0
total = 0
with torch.no_grad():  # 不计算梯度，节省内存和计算资源
    test_bar = tqdm(test_loader, file=sys.stdout)
    for data in test_bar:
        images, labels = data
        images, labels = images.to(device), labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

test_accurate = correct / total
print(f'测试集准确率: {test_accurate:.3f}')

# 如果你想要使用 TensorBoard 来记录测试结果，可以取消注释以下代码
writer.add_scalars('acc', {'test': test_accurate}, global_step=0)
writer.close()