pytorch笔记

tensor2JPG

import torch
from torchvision import transforms
 
toPIL = transforms.ToPILImage() #这个函数可以将张量转为PIL图片，由小数转为0-255之间的像素值
img = torch.randn(3,128,64)
pic = toPIL(img)
pic.save('random.jpg')

tensor2list

import torch

value = torch.Tensor([1, 2, 3])
print("list:", value.tolist())

tensor2numpy
我们很容易用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。但是需要注意的一点是： 这两个函数所产生的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！

mport numpy as np
a = np.ones(7)
b = torch.from_numpy(a)
print(a, b)

用torch.tensor()将NumPy数组转换成Tensor，该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存

import numpy as np
a = np.ones((2,3))
c = torch.tensor(a)

torch.eq(input,output).sum().item()

A = [1,2,3,4]  
B = [1,1,2,2]

torch.eq(A,B)得到的结果就是[1,0,0,0]
torch.eq().sum()就是将所有值相加，但是得到的仍然是一个tensor,本例中torch.eq(A,B).sum()得到的结果就是1,最后一步torch.eq(A,B).sum().item()得到的就是这个tensor中的值了，即1。

torch.eq(A,B).sum().item()
1

torch.max()
输出的值有两个参数，第一个参数是最大值，第二个参数是最大值的索引（也就是分类label）

torch.max(A)
4,3

torch.argmax()
作用与前面类似，我们只想要神经网络最终的标签，它输出的概率值并不关心，那么就可以直接用torch.argmax()返回tensor数据最大值的索引

torch.argmax(A)
3

torch.save()
保存加载整个模型，网络结构和权重参数

model=ClassNet()
torch.save(model,"net.pth")

只保存模型参数，保存模型的权重参数

model=ClassNet()
torch.save(model.state_dict(),"net_params.pth")

torch.load()

state_dict=torch.load('net_params.pth')
model.load_state_dict(state_dict)
# 参数strict=False,加载预训练的参数（注意检查key是否匹配）

保存加载自定义模型
模型通常包含以下内存：
网络结构：输入、输出尺寸，隐藏层信息
模型的权重参数：各个网络层训练出来的参数
优化器参数：优化器的状态和使用的超参数
其他信息：epoch，batch_size

checkpoint={
			"model":ClassNet(),
			"model_state_dict":model.state_dict()，
			"optimize_state_dict":optimizer.state_dict(),
			"epoch":epoch
}
torch.save(checkpoint,"checkpoint,pkl")

def load_checkpoint(filepath):
    checkpoint=torch.load(filepath)
    def load_checkpoint(filepath):
    checkpoint = torch.load(filepath)
    model=checkpoint['model']#提前网络结构
    model.load_state_dict(checkpoint['model_state_dict'])#加载网络权重参数
    optimizer=TheOptimizerClass()
    optimizer.load_state_dict(checkpoint['optimizer_state_dict'])#加载优化器参数
    for parameter in model.parameters():
        parameter.requires_grad=False
    model.eval()
    return model
modle=load_checkpoint('checkpoint.pkl')

model.named_parameters()
model = LeNet()
named_parameters()：给出网络层的名字和参数的迭代器，
parameters()：仅仅输出是参数的迭代器。
state_dict()：仅仅输出网络层的名字迭代器。

named_parameters() = parameters() + state_dict()

model = models.resnet18()
for param in model.named_parameters():
    print(param[0],param[1])
    
conv1.0.weight
conv1.0.bias
conv2.0.weight
conv2.0.bias
fc1.0.weight
fc1.0.bias
fc2.0.weight
fc2.0.bias
fc3.weight
fc3.bias

model命名规则
1、对于__init__中使用self定义的变量会使用这个变量名作为存储时的名字。

self.conv1 = nn.Conv2d(3, 12, kernel_size=3, stride=1, padding=1) 
self.bn1 = nn.BatchNorm2d(12)

卷积层有2个参数：权重和偏移项，conv1.weight、conv1.bias
BN层有5个参数：bn1.weight、bn1.bias、bn1.running_mean、bn1.running_var、bn1.num_batches_tracked

2、当使用nn.Sequential时会根据传入的list的顺序对其进行编号，从0开始。

conv1 = nn.Conv2d(3, 12, kernel_size=3, stride=1, padding=1)
bn1 = nn.BatchNorm2d(12)
s1 = [conv1, bn1]
self.stage1 = nn.Sequential(*s1)

注意此时的conv1和bn1都没有self，stage1有self，由于Sequential将conv1和bn1进行顺序封装，因此conv1会被编号为stage1.0，bn1会被编号为stage1.1，具体结果如下：

stage1.0.weight、stage1.0.bias
stage1.1.weight、stage1.1.bias、stage1.1.running_mean、stage1.1.running_var、stage1.1.num_batches_tracked

3、当一个module被from torch.nn import DataParallel或者from torch.nn.parallel import DistributedDataParallel包围住后，会在这个变量名后面加上module.。

conv1 = nn.Conv2d(3, 12, kernel_size=3, stride=1, padding=1)
bn1 = nn.BatchNorm2d(12)
s1 = [conv1, bn1]
stage1 = nn.Sequential(*s1)
self.stage2 = DataParallel(stage1)

注意只有stage2前面有self，输出结果如下：

stage2.module.0.weight、stage2.module.0.bias
stage2.module.1.weight、stage2.module.1.bias、stage2.module.1.running_mean、stage2.module.1.running_var、stage2.module.1.num_batches_tracked

断点续训

checkpoint = torch.load("")
model_without_ddp.load_state_dict(checkpoint["model"])
optimizer.load_state_dict(checkpoint["optimizer"])
lr_scheduler.load_state_dict(checkpoint["lr_scheduler"])
epoch = checkpoint["epoch"] + 1