qq_43942192的博客

原创 自定义pytorch训练框架1（图像处理）：简单的自定义dataset

无法读取文件（例如，由于缺少依赖项或其他原因），它将抛出一个异常。如果文件是其他支持的格式（的方法，用于在指定的目录中查找所有图片文件，并将这些文件的路径添加到。，因为它提供了简单直接的 TIFF 文件读取功能。库的功能和接口可能有所不同。在这个例子中，我们使用了。中指定扩展名的图片文件，并返回这些文件的路径列表。），它将像之前一样使用 Pillow 来读取图像。指定的目录及其所有子目录中查找所有具有。方法现在会检查文件扩展名。，则可能需要根据其API调整代码。

原创 pytorch优化3：常用的优化器

深度学习中常用的优化器有：SGD（随机梯度下降）、Adam、Adagrad、RMSprop 等。你可以根据自己的实际需求选择合适的优化器来训练深度学习模型。

原创 pytorch优化2：pytorch的model.train()`和`model.eval()`

`model.train()`: 该方法将模型设置为训练模式。在每个训练迭代中，都需要调用`model.train()`来确保模型处于训练模式。- `model.eval()`: 该方法将模型设置为评估模式。在进行模型推断（inference）时，需要调用`model.eval()`来确保模型处于评估模式。`model.train()`和`model.eval()`是在PyTorch中用于设置模型状态的两个重要方法。记住，在训练和评估阶段，确保正确设置模型状态是非常重要的。

原创 pytorch优化1：学习率调度器（优化策略），用来做学习率动态调整

优点：使用余弦函数调整学习率，可以更平滑地调整学习率，在一定程度上避免震荡。- 优点：在指定的milestones上调整学习率，相对于StepLR更灵活。- 优点：根据验证集表现自动调整学习率，能够更好地应对训练过程中的波动。- 缺点：可能不够灵活，无法根据训练过程中的表现自动调整学习率。- 缺点：可能在某些情况下过于保守，导致学习率调整不够及时。- 优点：按指数衰减调整学习率，可以更快地降低学习率。- 优点：简单易用，可以按照指定的步数调整学习率。1. StepLR：按照给定的步数调整学习率。

原创 代码报错debug方法