数字图像处理：AlexNet代码（pytorch）之train.py解读

解释顺序就是代码阅读顺序

训练数据集处理：

1.device = torch.device()->调用GPU还是CPU进行训练

2.传入参数其实是一个判断函数：cuda:0" if torch.cuda.is_available() else "cpu"-》如果有GPU使用GPU进行计算训练，否则使用CPU。

3.预处理函数：transforms.Compose()

4.transforms.RandomResizedCrop(224)-》随机裁剪，裁剪到224x224大小。

5.transforms.RandomHorizontalFlip()-》随机翻转，数据增强一种方法，这里是水平翻转。

6.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]),-》标准化处理，防止突出数值较高的指标在综合分析中的作用。

测试数据集处理：

1.transforms.Resize((224, 224)),-》强制转化为224x224.

2. transforms.ToTensor(),->转化为张量。

3.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])}-》标准化处理，防止突出数值较高的指标在综合分析中的作用。

获取数据集：

1.data_root = os.path.abspath(）-》获取数据集所在根目录

2.os.getcwd()-》获取当前所在文件的目录

3.os.path.join()-》将传入两个路径连接在一起

4."../.."-》表示返回上上一层目录

5.data_root + "/data_set/flower_data/"-》再从根目录开始向下进行完整目录的拼接。

6.datasets.ImageFolder()-》这个函数加载数据集

7.root=image_path + "/train"-》传入训练集数据路径

8.transform=data_transform["train"]-》调用训练数据集预处理模块，即：

 "train": transforms.Compose([transforms.RandomResizedCrop(224),
                                 transforms.RandomHorizontalFlip(),
                                 transforms.ToTensor(),
                                 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]), 

分类处理：

1.train_dataset.class_to_idx-》通过这个获取分类名称对应索引。

2.cla_dict = dict((val, key) for key, val in flower_list.items()) -》循环遍历数组索引核值并交换重新赋值给数组，这样模型预测出来的直接就是value类别值。

3.json_str = json.dumps(cla_dict, indent=4)-》把字典编码成json格式。

4.with open('class_indices.json', 'w') as json_file: json_file.write(json_str)-》把字典类别索引写入json文件

5.batch_size = 32-》一次性载入训练32张图像

6.torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True,num_workers=0)-》加载数据集和其他参数

7.shuffle=True