python

1、from . import *                             

 代表的是这一级的文件夹导入模块。 

2、import  A as  B

给与工具库一个别称B，帮助记忆、书写。

3、cudnn.benchmark=true                

让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。

4、

cfg = utils.cfg
cfg.merge_from_file(args.config_path)
cfg.freeze()

yacs、yaml进行实验参数配置详解_L_bloomer的博客-CSDN博客

 5、DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=default_collate, pin_memory=False, drop_last=False)

dataset：加载的数据集(Dataset对象)
batch_size：batch size
shuffle:：是否将数据打乱
sampler： 样本抽样，后续会详细介绍
num_workers：使用多进程加载的进程数，0代表不使用多进程
collate_fn： 如何将多个样本数据拼接成一个batch，一般使用默认的拼接方式即可
pin_memory：是否将数据保存在pin memory区，pin memory中的数据转到GPU会快一些
drop_last：dataset中的数据个数可能不是batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃

 6、model=torch.nn.DataParallel(model).cuda()

当迭代次数或者epoch足够大的时候，我们通常会使用nn.DataParallel函数来用多个GPU来加速训练torch.nn.DataParallel保存，单GPU加载_zhaosuyuan的博客-CSDN博客

【pytorch系列】torch.nn.DataParallel用法详解_大黑山修道的博客-CSDN博客_dataparallel

7、torch.nn.L1Loss()

torch.nn.L1Loss用法_仁义礼智信达的博客-CSDN博客_torch.nn.loss

torch.nn.L1Loss 类使用平均绝对误差函数对损失值进行计算，同样，在定义类的对象时不用传入任何参数，但在使用实例时需要输入两个维度一样的参数进行计算。

https://www.csdn.net/tags/MtTaEg1sNDAyMTgxLWJsb2cO0O0O.html

8、class torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)

params(iterable)：可用于迭代优化的参数或者定义参数组的dicts。
lr (float, optional) ：学习率(默认: 1e-3)
betas (Tuple[float, float], optional)：用于计算梯度的平均和平方的系数(默认: (0.9, 0.999))
eps (float, optional)：为了提高数值稳定性而添加到分母的一个项(默认: 1e-8)
weight_decay (float, optional)：权重衰减(如L2惩罚)(默认: 0)

torch.optim优化算法理解之optim.Adam()_shuaiqidexiaojiejie的博客-CSDN博客_optim.adam

9、torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)

     改变学习率 

torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)
milestones为一个数组，如 [50,70]. gamma为倍数。如果learning rate开始为0.01 ，则当epoch为50时变为0.001，epoch 为70 时变为0.0001。

torch.optim.lr_scheduler.MultiStepLR_Mr_Lowbee的博客-CSDN博客

10、 model.train（）、model.eval（）

 【Pytorch】model.train() 和 model.eval() 原理与用法_想变厉害的大白菜的博客-CSDN博客_model train

11、tqdm 进度条

Python进度条tqdm的用法_ZSYL的博客-CSDN博客

12、optimizer,zero_grad()

optimizer.zero_grad()意思是把梯度置零，也就是把loss关于weight的导数变成0. 

https://blog.csdn.net/bigbigvegetable/article/details/114674793

torch代码解析 为什么要使用optimizer.zero_grad()_scut_salmon的博客-CSDN博客_zero_grad()

13、loss.backward()                        计算当前梯度，反向传播

        optimizer.step()                                根据当前梯度更新网络参数，一个batch数据会计算一次梯度，然后optimizer.step()更新

https://www.csdn.net/tags/NtzaQgzsNjQ3MTUtYmxvZwO0O0OO0O0O.html

14、torch.save()       torch.load()

保存模型等相关参数。torch.save()_Better-1的博客-CSDN博客_torch.save() 

torch.save()模型的保存于加载_wanghua609的博客-CSDN博客_torch.save()

15、with torch.no_grad()：

https://www.jb51.net/article/240484.htm

 16、torch.clamp()

将输入input张量每个元素的夹紧到区间 [min,max]内，并返回结果到一个新张量

【深度学习】pytorch中torch.clamp()函数简介_杨小浩浩hh的博客-CSDN博客

17、transforms.ToPILImage()                 PIL（Python Imaging Library）

pytorch在将Tensor类型数据转换为图片数据时，需要用到这torchvision.transforms.ToPILImage()函数，该函数的作用就是把Tensor数据变为完整原始的图片数据（保存后可以直接双击打开的那种）。

【PyTorch】torchvision.transforms.ToPILImage 与图像分辨率_Anova.YJ的博客-CSDN博客_transforms.topilimagetorchvision.transforms.ToTensor()与torchvision.transforms.ToPILImage()详解_CV干饭王的博客-CSDN博客_topilimage作用【PyTorch】torchvision.transforms.ToPILImage 与图像分辨率_Anova.YJ的博客-CSDN博客_transforms.topilimage 

18、.convert('L')

输出PIL的灰度图像

Python图像处理 PIL中convert(‘L‘)函数原理_shelleyHLX的博客-CSDN博客

19、os.makedirs()

递归目录创建函数

os.mkdir()与os.makedirs()的使用方法_yangsong95的博客-CSDN博客_os.makedirs()

20、os.path.join()函数          

连接两个或更多的路径名组件

os.path.join()函数的用法_Harry_nice的博客-CSDN博客_os.path.join(

 21、image.save()

将此图像保存在给定的文件名下。如果未指定格式，则尽可能使用文件名扩展名确定要使用的格式。

Python PIL Image.save()用法及代码示例 - 纯净天空

 22、model.load_state_dict(checkpoint['model'])

将训练好的权重加载到我们的模型中

https://www.csdn.net/tags/Ntzagg3sNDk0MTktYmxvZwO0O0OO0O0O.html

23、size()函数，主要统计矩阵元素个数或者矩阵某一维上的元素个数。 

 24、