第P3周：天气识别

•  🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍦  参考文章：365天深度学习训练营-第11周：优化器对比实验（训练营内部成员可读）
• 🍖 原作者：K同学啊|接辅导、项目定制

P1-2了解了pytorch并初步学会了用pytorch构建一个简单的深度学习程序，学会构建CNN网络。

本次连续学习P3-p4：

学习要点和拔高部分：

P3:

要求：1. 本地读取并加载数据。2. 测试集accuracy到达93%

拔高：1. 测试集accuracy到达95%。2. 调用模型识别一张本地图片

一．前期准备

1. 设置GPU

      2. 导入数据

本次导入数据部分和p1-2直接调用torchvision库的数据集不同，采用调用本地数据的形式。

这里学会了几个函数：

1. pathlib.Path()
2. 使用glob()方法获取data_dir路径下的所有文件路径：以下两个例子便于我的理解，都可以直接返回list，第一个也可以不用设定为列表：

data_paths = list(data_dir.glob('*'))

model_name_list = glob(ROOT_DIR + '*')

1. Split函数分割每个子文件夹

这里设置了绝对路径，在获取子文件夹的时候可以取路径中的最后一个

返回代码：

1. PIL库：Pillow 是 Python 中较为基础的图像处理库，主要用于图像的基本处理，比如裁剪图像、调整图像大小和图像颜色处理等。
2. 而torchvision.transforms.Compose()这个类的作用就是串联多个图形的统一https://blog.csdn.net/qq_38251616/article/details/124878863

这里完善了对torchvision库的理解。之前的已经学过并且运用了其中的datasets数据库以及使用了utlis中的dataloader进行数据的加载。这次完善了另外几个构成：1models包含了几个常用的模型结构2transforms。

本次训练使用了该类统一了图片尺寸，对图片进行了归一化、标准化处理，并且对数据集进行随机抽样得到了平均值与标准差值。

这里对imagefolder还不是很熟悉，暂时理解就是输出了整个数据集的图片数量，并且输入transform参数对图片进行统一化处理。

1. 划分数据集

学会了以下函数：

1. torch.utils.data.random_split(total_data, [train_size, test_size])（目前utlis学到的有random_split/datafolder）。输入所有的数据，训练集、测试集size；输出测试集和训练集。

这里相对于p1-2拓展了怎么自己划分数据集的方法。P3中选取了80%的数据作为训练集，剩下的数据作为测试集。

和p1-2不同的是，p1-2是在dataloader里设置了transform参数，这里是在之前的imagefolder里设置，都是属于torch.datasets里的类（也许有共同性？。

这一课也具体介绍了dataloader的用法：用于加载和管理数据的一个实用工具类。它允许你以小批次的方式迭代你的数据集。新掌握的知识点包括以下参数设置：1 num_workers2 pin_memory3 drop_last4timeout5worker_init_fn

二、构建简单的CNN网络

这里介绍了新的知识点，也就是在卷积层和全连接层之间，可以使用之前是torch.flatten()也可以使用我下面的x.view()亦或是torch.nn.Flatten()。

三. 训练模型