深度学习- torch.utils.data

Pytorch基础知识

Pytorch的一般流程：
准备数据—定义网络 —训练—可视化—测试

一、读取数据指令 torch.utils.data

torch.utils.data.Dataset是代表自定义数据集方法的类，用户可以通过继承该类来自定义自己的数据集类，在继承时要求用户重载__len__() 和__getitem__()

len()：返回的是数据集的大小。
getitem()：实现索引数据集中的某一个数据。

class dataset(data.Dataset):
    # 参数预定义  重载
    def __init__(self, anno_pd, transforms=None,debug=False,test=False):
        self.paths = anno_pd['ImageName'].tolist() # 图像路径 
        self.labels = anno_pd['label'].tolist()  # 图像数字标签
        self.transforms = transforms   # 数字增强
        self.debug=debug   # 程序调试
        self.test=test # 判定是否训练或测试
    def __len__(self): # 返回图片个数
        return len(self.paths)
    def __getitem__(self, item):# 获取每个图片
        img_path =self.paths[item] # 图像路径
        img =cv2.imread(img_path) # 读取
        img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)  # 格式转换
        if self.transforms is not None: # 是否进行数据增强
            img = self.transforms(img)
        label = self.labels[item] # 图像对应标签
        return torch.from_numpy(img).float(), int(label)  # tensor和对应标签   

二、搭建网络模块的指令

torch.nn
卷积层、全连接层 等都来这个函数

三 、训练指令

优化方法的选择 torch.optim
学习率的调整 torch.optim
网络参数初始化的选择 torch.nn.init