pytorch 实战学习(一)：CNN

pytorch 实战学习

（强推)Pytorch深度学习实战教学

1， 这个老师讲的好，感谢唐宇迪
2，在my虚拟环境中运行网络上下载下来的文件（或文件夹）
在anaconda中激活该虚拟环境，
cd进入文件（或文件夹）所在目录
jupyter notebook
3, torch.randn_like(x, dtype=torch.float)
4, x.size()
5, 改变矩阵维度
6，reguires_grad
7,

8, Python的reshape的用法：reshape(1,-1)
9，%matplotlib inline
在ipython中预先定义好的魔法函数

%matplotlib inline
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,100)
y_1 = x**3 + 10
plt.plot(x,y_1)
# 由于 %matplotlib inline 的存在，当输入plt.plot(x,y_1)后，不必再输入 plt.show()，图像将自动显示出来

10，str.find
11, os模块学习
12, pathlib模块学习

1. 这个居然还有目录

13, Requests: 让 HTTP 服务人类
14, with torch.no_grad() 详解
太高级了，我等凡人，不配使用
15,torchvision 是PyTorch中专门用来处理图像的库。这个包中有四个大类。

1. torchvision.datasets
2. torchvision.models
3. torchvision.transforms
4. torchvision.utils

16,Python中sys模块
17,python中的 call()

1. Python中，如果在创建class的时候写了call（）方法， 那么该class实例化出实例后， 实例名()就是调用call（）方法。
2. x() 与 x.call() 是相同的

18,

data_transforms = {
    'train': transforms.Compose([transforms.RandomRotation(45),#随机旋转，-45到45度之间随机选
        transforms.CenterCrop(224),#从中心开始裁剪
        transforms.RandomHorizontalFlip(p=0.5),#随机水平翻转 选择一个概率概率
        transforms.RandomVerticalFlip(p=0.5),#随机垂直翻转
        transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),#参数1为亮度，参数2为对比度，参数3为饱和度，参数4为色相
        transforms.RandomGrayscale(p=0.025),#概率转换成灰度率，3通道就是R=G=B
#         这里好像没有resize的操作
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])#均值，标准差
    ]),
    'valid': transfotransforms.CenterCroprms.Compose([transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}

batch_size = 8

image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'valid']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True) for x in ['train', 'valid']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'valid']}
class_names = image_datasets['train'].classes

总结一下，目前看到的DataLoader()可接收的输入有两种，

1. TensorDataset类型
2. ImageFolder类型

ImageFolder的使用：

datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]

19,JSON文件
20, _, predicted = torch.max(outputs.data, 1)的理解
21，