import torchvision.datasets
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
首先,引入相应的库。torch下载和安装,可以网上查找。
dataset = torchvision.datasets.CIFAR10("./dataset1", train=False, download=True,
transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)
从CIFAR10中下载相应的数据集,“./dataset1”下载到程序所在并建立dataset1文件夹,如果下载慢,可以在运行时,将下载地址放到迅雷,下载完成后复制到文件夹中。train=True/False训练集和测试集;download=True,下载文件;transform=torchvision.transforms.ToTensor();将PIL Image或者 ndarray 转换为tensor,并且归一化至[0-1]。
class Feng(nn.Module):
def __init__(self):
super(Feng, self).__init__()
self.maxpool1 = MaxPool2d(kernel_size=3, ceil_mode=False)
def forward(self, input):
output = self.maxpool1(input)
return output
feng = Feng()
自己构建一个深度学习骨架, super(Feng, self).__init__()初始化内部module状态;MaxPool2d(kernel_size=3, ceil_mode=False):kernel_size=3建立一个3*3的池化核;ceil_mode=False或者Ture;FALSE时,输入图像边缘部分不满足池化核的时候,边缘部分直接舍去(默认FALSE);TRUE,边缘部分同样保留最大值。forward 函数的作用是将输入数据经过网络中各个层的计算和变换后,得到输出结果。
writer = SummaryWriter("./logs_maxpool")
写入日志
step = 0
for data in dataloader:
imgs, target = data
writer.add_images("input", imgs, step)
output = feng(imgs)
writer.add_images("output", output, step)
step = step+1
writer.close()
日志读取过程中,需要在terminal中输入tensorboard --logdir="logs_maxpool",读取前看一下是否在pytorch环境中,如果没有在环境中,输入conda activate pytorch