（0）深度学习项目入门（pytorch）

想入门深度学习，感觉无从下手，怎么办？除了理论上的学习之外，最快速的方法就是做项目：包括但不限于别人已经做好的项目，导师布置的项目作业，自己接到的项目。做项目的方法是模仿，也就是抄。抄别人的项目，再自己总结：

1. 这个模块的作用是什么
2. 这个模块有哪些重要的类和函数
3. 这些重要的类和函数在哪里调用的，作用是什么
4. 数据输入输出的格式，为什么要这么用

从mnist分类开始，到经典的RCNN或者YOLO。抄完一遍基本上已经算是能够自己完成一些小项目了。剩下的就是思考怎么涨点的问题了。项目做多了就会发现，基本所有的深度学习项目都是一个套路，不同的是有一些项目复杂一些，函数比较多或者是引入了其它的代码库。但是总体还是差不多的，举cnn网络为例，一般包括以下3部分：

1. dataloader(包括预处理)
2. train
3. predict

1.dataloader:
最主要是写好继承自dataset的类，写好以后丢到dataloader里面不就OK啦。那这个类最主要的是三个方法:

1. init():主要是数据格式的转换，还有一部分预处理
2. getitem():主要就是从数据集里获取数据项的item和label
3. lens():返回数据项个数

2.train:
网络结构五花八门，但是基本都是那么几个步骤，跟八股文一样。

1. 定义网络结构 class Net()

2. 定义损失函数和optimizer

3. 划分数据集

4. 定义训练过程（以梯度下降算法为例，基本的流程都是差不多的）

       ### 梯度下降算法 ###
       loss = loss_func(output, input)  # 损失函数，输出和真实标签的loss，二者位置不可颠倒
       optimizer.zero_grad()  # 清除之前学到的梯度的参数
       loss.backward()  # 反向传播，计算梯度
       optimizer.step()  # 应用梯度（权重更新）
       ### 梯度下降算法 ###
   

5. 保存模型

3.predict:

1. 加载模型

 model = torchvision.models.resnet50(pretrained=True)
 model.load_state_dict(torch.load("resnet.pt"))

2. 加载数据

    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        with torch.no_grad():
            outputs = model(images)
            loss = loss_func(outputs, labels)
            
        _, predicts = torch.max(outputs, 1)
        
        loss_val += loss.item() * images.size(0)
        corrects += torch.sum(predicts.view(-1) == labels.view(-1)).item()

3. 计算结果

test_loss = loss_val / len(test_loader.dataset)
test_acc = corrects / len(test_loader.dataset)
print("Test Loss: {}, Test Acc: {},corrects is: {}".format(test_loss, test_acc,corrects))

此外，还有一些需要考虑到的，比如如何使用pytorch调用gpu进行训练、如何使用多个gpu进行训练等等。