PyTorch学习（一）

两大指南函数

1. dir()

   功能：返回包含查询对象的所有属性和方法名称的列表

   dir(torch)
   # 输出： torch中所包含的全部方法
   dir(torch.cuda.is_available)
   # 输出：该函数所有属性
   

2. help()

   功能：查看函数或模块用途的详细说明

使用dir()和help()查询函数仅输入函数名，不输入括号。

数据加载和预处理

1. Dataset类

   Dataset是一个抽象类，它的主要作用是封装数据集。你可以将Dataset看作是数据的集合，

   定义了如何获取数据集中的单个样本。Dataset类需要实现__init__，__len__和__getitem__三个方法。

   一些内置的Dataset类，比如ImageFolder、CIFAR10等，它们已经实现了这些方法，可以直接使用。

2. DataLoader类

   DataLoader是Dataset的包装器，它的主要作用是提供批量加载数据的能力。

   使用DataLoader时，需要指定以下参数：

   • dataset：你创建的Dataset实例。
   • batch_size：每个批次的样本数量。
   • shuffle：是否在每个epoch开始时打乱数据。
   • num_workers：加载数据时使用的进程数量。

   from torch.utils.data import DataLoader
   
   train_dataloader = DataLoader(train_data, batch_size=64, shuffle=True)
   test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
   

   iter函数将train_dataloader变成一个迭代器，使用next函数可以以此从迭代器中生成一个一个的批次

   train_features, train_labels = next(iter(train_dataloader))
   print(f"Feature batch shape: {train_features.size()}")
   print(f"Labels batch shape: {train_labels.size()}")
   img = train_features[0].squeeze()
   label = train_labels[0]
   

   可视化中squeeze()的作用

   squeeze函数用于去除张量中所有大小为1的维度

   1. 简化可视化：在可视化图像时，我们通常只需要[channels, height, width]的三维张量。squeeze函数可以帮助去除批次维度（batch_size），使得我们可以直接处理单个图像。
   2. 去除冗余维度：如果图像数据在加载或预处理过程中被错误地增加了额外的维度，squeeze可以帮助去除这些不必要的维度。