pytorch 实战学习
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
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。
- torchvision.datasets
- torchvision.models
- torchvision.transforms
- torchvision.utils
16,Python中sys模块
17,python中的 call()
- 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。
- 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,
- TensorDataset类型
- 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,