小土堆学习视频

1、python学习中的两大法宝函数

• dir()：打开，看见
• help()：说明书

dir(torch)
dir(torch.cuda)
dir(torch.cuda.is_available)
help(torch.cuda.is_available)

2、pycharm使用

项目及文件创建、python console控制台的使用

3、pytorch加载数据初认识

• Dataset提供一种方式去获取数据及其label，如何获取每一个数据及其label，告诉我们总共有多少数据
• Dataloader未后面的网络提供不同的数据形式

4、DataSet类代码实战

将蚂蚁数据集和蜜蜂数据集合并成我们需要的训练集：

from torch.utils.data import Dataset
from PIL import Image
import os

class MyData(Dataset):

    def __init__(self,root_dir,label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir,self.label_dir)
        self.img_path = os.listdir(self.path)

    def __getitem__(self,idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img,label

    def __len__(self):
        return len(self.img_path)

root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "ants"
ants_dataset = MyData(root_dir,ants_label_dir)
bees_dataset = MyData(root_dir,bees_label_dir)

train_dataset = ants_dataset + bees_dataset

5、Tensorboard的使用

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")

#writer.add_image()

for i in range(100):
    writer.add_scalar("y=x",i,i)

writer.close()

指定端口，避免端口冲突

• add_image()函数的相关参数要求

• 利用Opencv读取图片，获得numpy型图片数据

cv_img = cv2.imread(image_path)

• 利用numpy.array()，对PIL图片进行转换

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter("logs")
image_path = "dataset/train/ants/0013035.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)

writer.add_image("test",img_array,1,dataformats='HWC')

for i in range(100):
    writer.add_scalar("y=2*x",2*i,i)

writer.close()

6、Transforms的使用

from torchvision import transforms
from PIL import Image
from torch.utils.tensorboard import SummaryWriter

#python的用法 =》tensor数据类型
#通过transforms.ToTensor去看两个问题

img_path = "dataset/train/ants/0013035.jpg"
img = Image.open(img_path)

writer = SummaryWriter("logs")

#1、transforms该如何使用（python）
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)

#print(tensor_img)

writer.add_image("Tensor_img",tensor_img)

writer.close()

#2、为什么我们需要Tensor数据类型

• python中__call__的作用

• ToTensor的使用

• Normalize的使用

7、torchvision中数据集的使用

• 将数据集中的每张图片转换为tensor数据类型，transform使用在dataset当中

8、Dataloader的使用

9、神经网络的搭建-nn.Module的使用

10、卷积操作

• padding

11、最大池化的作用

保留一定的数据特征，同时大大减小数据量。

12、非线性激活ceng

增加非线性特征，增强模型的泛化能力。

13、线性层及其他层介绍

正则化加快神经网络训练速度。

• 特定网络结构：

• Transfomer层

• 线性层

• Dropout层

防止过拟合

14、搭建小实战和Squential的使用

15、损失函数与反向传播

• 交叉熵损失函数
  
  
  
  

16、现有网络模型使用及修改

• 在vgg16（1000分类）的基础上加上一个线性层用于CIFAR10数据集的十分类问题！
  
  
  
• 修改当前vgg16中的某一层：
  

17、网络模型的保存与读取

• 模型的保存

• 模型的读取

18、完整模型训练

19、利用GPU训练

tudui = tudui.cuda()
loss_fn = loss_fn.cuda()
imgs = imgs.cuda()
targets = targets.cuda()

谷歌上免费GPU

20、完整的模型验证