所有方法都可以在doc里面找到
一、transforms
transforms表示是否对数据进行预处理
- torchvision.transforms.Compose
一次完成多个transforms指令
Example
transforms.Compose([
transforms.CenterCrop(10),
transforms.ToTensor(),
])
2.torchvision.transforms.ToTensor
PIL:Python Imaging Library
将 PIL Image 或 numpy.ndarray 转换为tensor.
3.torchvision.transforms.Normalize
Normalize(mean, std)
功能:给定均值:(R,G,B) 方差:(R,G,B),将会把Tensor正则化。即:Normalized_image=(image-mean)/std。
4.torchvision.datasets.CIFAR10(root, train=True, transform=None, target_transform=None, download=False)
train=true表示训练集
train=false表示测试集
5.torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
第一个参数是数据源,第二个表示一次给神经网络喂多少数据,第三个是否打乱图片顺序,最后一个是否使用子进程读取数据
6.卷积核和通道数的关系
https://blog.csdn.net/sxs11/article/details/81411913
7.enumerate
seq = [‘one’, ‘two’, ‘three’]
for i, element in enumerate(seq):
… print i, element
…
0 one
1 two
2 three
给元素加标签
8.item
item() → number
将tensor转化为标准python数字
9.from future import print_function
在低版本使用高版本的语法