目标检测学习[1]_pytorch使用与基本流程

目标检测学习

---

---

前言

Pytorch是一个基于python的科学计算包，主要面向两部分受众：

一个为了充分发挥GPU能力而设计的Numpy的GPU版本替代方案

一个提供更大灵活性和速度的深度学习研究平台

---

一、pytorch使用

1.1 tensors

Tensors(张量)的概念可以类比Numpy中的ndarrays，本质上就是一个多维数组，是任何运算和操作间数据流动的最基础形式。
首先让我们来看下如何生成一些简单的Tensor,构建一个未初始化的5*3的空矩阵（张量）的代码如下:

import torch
x = torch.empty(5, 3)
print(type(x))
print(x)
#输出
<class 'torch.Tensor'>
tensor([[7.7050e+31, 6.7415e+22, 1.2690e+31],
        [6.1186e-04, 4.6165e+24, 4.3701e+12],
        [7.5338e+28, 7.1774e+22, 3.7386e-14],
        [6.6532e-33, 1.8337e+31, 1.3556e-19],
        [1.8370e+25, 2.0616e-19, 4.7429e+30]])

注意，对于未初始化的张量，它的取值是不固定的，取决于它创建时分配的那块内存的取值。
torch.zeros 和 torch.ones也是非常常用的Tensor初始化函数。
可以通过dtype属性来指定tensor的数据类型

print(tensor_zeros.dtype)
tensor_zeros_int = torch.zeros(2, 3, dtype=torch.long)
print(tensor_zeros_int.dtype)
#输出
torch.float32
torch.int64

torch.rand 和 torch.randn 是两个常用的随机初始化函数，torch.rand用于生成服从区间[0,1)均匀分布的随机张量