30分钟Anaconda入门+用pytorch搞定图像分类！

环境

• Anaconda3
• pycharm (安利一波！颜值很高！有教育版，一般用学校邮箱注册就可以）其他IDE也可以
• python 3.6
• opencv-python 4.1.0.25
• torch 0.4.0
• torchvision 0.2.1
  其实环境也不用太在意，运行程序后，如果遇到
  ModuleNotFoundError: No module named 'requset'
  之类的错误，都用conda install <package_name> 就可以了。

Anaconda

一般写python的应该都装了这个把~简单说这是个包管理器，以为python的程序很多都需要加载非常多的包，把包都放在全局很难管理，所以一般开始一个项目都会新建一个包管理环境，简单介绍一下最基本的创建一个包管理环境的方法。

切换到Environment界面，点击Create就可以创建一个包环境。

这时候创建的环境是最基本的环境，你可以根据需要在anaconda中继续install你需要的包。

图形界面的install包的方式就点来点去就好了，当然也可以用命令行的方式。

在pycharm的Terminal可以采用activate basic_env 来激活我们刚刚创建的环境，然后你就可以在这个环境中try what you want.一般常用的是安装包。这里可以采用两种方式，pip install <package_name> 和conda install <package_name> 。这两个的区别可以搜一下，这里推荐大家使用conda install 吧。

Pytorch

pytorch就是类似tensorflow的一种神经网络框架吧。神经网络一层层的嘛，要是整个一层层都自己代码一行行建起来多麻烦呀，然后大家就有了框架了。像pytorch你想建一层网络只需要一行代码的，贼方便。我也没用过tensorflow，听说pytorch好上手，我就先试pytorch了。
推荐莫烦的pytorch教程。他出了好多课了，python啥啥的讲的都挺好的，然后也都是免费的，看起来可快了,入门刚刚好。当然，不看也可以先跟着这篇博客，不用懂啥原理，也可以完成识别hhhh。(我也还没搞明白

安装pytorch

这里推荐先去官网下载选择一下自己需要的版本

像我，就是整个配置。可以看到有一行是cuda，可以看看自己的显卡是不是NVIDIA的，如果不是的话，果断选none就行，如果是的话，你要是想用GPU跑快点的话可以配置一下cuda，这篇教程就不涉及了。
这里选好自己的配置后，复制网页上"Run this Command" 的内容到命令行就可以了。然后等它装完就行啦~

Let’s gogo

一共会有两个.py文件，一个就是训练网络的代码，一个是拿到训练好的网络的参数后，用这个网络去识别图片的代码。
先贴代码,整个训练网络的代码都在这里了，是不是很短，然后就看下要改哪些地方就可以了：

from __future__ import print_function, division

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.autograd import Variable
import torchvision
from torchvision import datasets, models, transforms
import time
import os
def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    since = time.time()

    best_model_wts = model.state_dict()
    best_acc = 0.0

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # Each epoch has a training and validation phase
        for phase in ['train', 'val']:
            if phase == 'train':
                scheduler.step()
                model.train(True)  # Set model to training mode
            else:
                model.train(False)