pytorch学习总结

最新推荐文章于 2024-05-23 15:02:47 发布

深山里的菜叶子

最新推荐文章于 2024-05-23 15:02:47 发布

阅读量902

点赞数 2

分类专栏： pytorch深度学习文章标签： python pytorch 深度学习人工智能

本文链接：https://blog.csdn.net/m0_57292867/article/details/124952641

版权

pytorch深度学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1、os.path.join()函数的功能：

root_dir = "dataset/train"
label_dir = 'ants'
path = os.path.join(root_dir,label_dir)

连接两个或更多的路径名组件
如果各组件名首字母不包含’/’，则函数会自动加上
如果有一个组件是一个绝对路径，则在它之前的所有组件均会被舍弃
如果最后一个组件为空，则生成的路径以一个’/'分隔符结尾

2、self（）

一个函数的变量不能传递给另外一个函数中的变量，self可以把self指定的一个变量给后面函数使用，相当于指定了一个类的全局变量

3、os.listdir()

用于返回指定的文件夹包含的文件或文件夹的名字的列表

4、PIL

PIL 是 Python Image Library 的简称。PIL 是第三方库，使用之前需要先安装。

pip install pillow

PIL 库中提供了诸多用来处理图片的模块，可以对图片做类似于 PS（Photoshop）的编辑。比如：改变图像大小、旋转图像、图像格式转换，转换颜色通道，图像增强，直方图处理，插值和滤波等等。

5、from PIL import Image出错

因为少安装了pillow和image这两个包，在pycharm的终端里输入以下代码：

pip3 install pillow -image -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

pip install scikit-image -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

6、Tensorboard

Tensorboard原本是Google TensorFlow的可视化工具，可以用于记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络的过程非常有帮助。PyTorch也推出了自己的可视化工具，一个是tensorboardX包，一个是torch.utils.tensorboard，二者的使用相差不大。

具体学习参考：详解Tensorboard及使用教程_进击的南方仔的博客-CSDN博客_tensorboard使用

7、打开logs文件的使用指令

logdir：事件文件所在文件夹名

为了防止和别人冲突，指定端口：

8、从PIL到numpy，需要在add_image（）中指定shape中每一个数字/维表示的含义

否则会出错：

#指定前
writer.add_image("test",img_array,1)
#指定后
writer.add_image("test",img_array,1,dataformats='HWC')

9、torchvision中的transforms：

transform：主要是对图片进行一些变换

10、路径问题

windows系统中绝对路径中的斜杠/会被当成转义符：

解决办法：

（1）用相对路径

（2）在字符串前加r，取消转义：

11、查看括号内需要什么参数

CTRL+P

12、python中_call_的用法

相当于构造方法，是把类当作函数使用的时候定义

class Person:
    def __call__(self, name):
        print("__call__" + "Hello" + name)
    def hello(self,name):
        print("hello"+name)

person = Person()
person("zuosan")
person.hello("lisi")
person.hello()

13、compose（）

compose（）类会将transforms列表里面的transform操作进行遍历

compose（）中的参数需要是一个列表，python中，列表的表示形式为[数据1，数据2，……]

在compose中，数据需要是transforms类型，所以得到（[transforms参数1，transforms参数2，……]）

14、ToTensor的使用

# ToTensor的使用
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor",img_tensor)
writer.close()

15、Normalize

（input-x）/ x = 2*input - 1

16、不知道返回值的时候

（1）print

（2）print（type（））

（3）debug

17、遇到错误：AttributeError: 'module' object has no attribute 'conv1'

原因：init方法应该是敲错了，打成了int

18、"max_pool2d" not implemented for 'Long'

或：RuntimeError: mean(): input dtype should be either floating point or complex dtypes. Got Long instead.

原因：最大池化无法对Long数据类型进行实现/要求是浮点数，不能是整形的Long

解决：在input里加入：dtype=torch.float32

19、inplace

#不保留原始数据
input = -1
Relu(input,inplace=True)
Input=0

#保留原始数据，防止数据丢失
input=-1
Output=Relu(input,inplace=False)
Input=-1
Output=0

20、报错：RuntimeError: mat1 and mat2 shapes cannot be multiplied (1x49152 and 196608x10)

解决：dataloader的drop_last设置为True

21、sequential的使用

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class Zuosan(nn.Module):
    def __init__(self):
        super(Zuosan, self).__init__()
        self.conv1 = Conv2d(3, 32, 5, padding=2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32, 32, 5, padding=2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32, 64, 5, padding=2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024, 64)
        self.linear2 = Linear(64, 10)
        )

    def forward(self,x):
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.conv3(x)
        x = self.maxpool3(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.linear2(x)
        return x

zuosan = Zuosan()
print(zuosan)
input = torch.ones((64,3,32,32))
output = zuosan(input)
print(output.shape)

#简洁版
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class Zuosan(nn.Module):
    def __init__(self):
        super(Zuosan, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self,x):
        x = self.model1(x)
        return x

zuosan = Zuosan()
print(zuosan)
input = torch.ones((64,3,32,32))
output = zuosan(input)
print(output.shape)