深度学习Pytorch的细节使用+模型+数据转化+基本知识等

Introduction

学习使用了深度学习Pytorch差不多一年半多了，今天在这里呢，来总结一些不怎么使用的细节方面的代码知识点，为以后方便查找和使用。

1、Pytorch模型调用相关函数
保存模型：

#保存整个模型，model为你的神经网络
torch.save(model,'save.pt')#.pt 或.pth形式
#只保存训练好的权重：
torch.save(model.state_dict(), 'save.pt')

加载模型使用：

model=cnn() #cnn()这里表示为你定义的神经网络模型
model.eval() #这里表示为测试使用
#第一种：加载整个模型
（命名变量） = torch.load("save.pt")
#第二种：加载整个模型参数
model.load_state_dict(torch.load(param_file))  # load模型

若当你的模型或者你调用他人的模型为在gpu上训练的，但你想cpu上载入时：

model.load_state_dict(t.load(params_file, map_location='cpu'))

2.Pytorch模型测试与单一数据使用
当你需要单独地一个数据来测试时，你可以使用下面的代码：

img0 = Image.open(img0_tuple[0])
img0 = img0.convert("L")#图像转换黑白
img0 = transform(img0) #这里需要跟你训练数据中的transform一样
img0= Variable(img0.unsqueeze(0)) #添加维度(eg:3->4)
output1 = model(Variable(img0) #Vaariable可求导变量

在这里，我需要强调以下为什么要添加维度，首先我们要知道由于在训练时，我们喂给神经网络的数据格式时这样的:（batch_size,in_channel,height,width)，因此呢，我们单一加载一个数据时，也需要满足四个维度。

3、训练结果数据可视化

#首先定义两组数组
loss_history= [] #用来保存训练过程中的loss值
Accuracy_history= [] #用来保存训练时的准确率值

epoch_number = 0

loss_history.append(loss_contrastive.item())
Accuracy_history.append((accuray.item())
epoch_number += 1
#这里保存的数据值为每一次epoch时保存一次.
#注意：当结束完训练时，跳出训练循环时
show_plot(epoch_number,loss_history,Accuracy_history)
#show_plot为自己定义的函数

其中show_plot函数定义如下：

def show_plot(iteration, loss，Accuracy_history):
    plt.plot(iteration, loss,color='red',abel="loss_history")
    plt.plot(iteration,Accuracy_history,abel="Accuracy_history")
    plt.ylabel('loss')
    plt.xlabel('Number of training')
    plt.show()

当然了，你要是想用上位机界面显示效果的话，可以采用PyQT,这里你可以参考我的另一篇博客

4、数据转换
numpy中的ndarray转化成pytorch中的tensor : torch.from_numpy()

pytorch中的tensor转化成numpy中的ndarray : numpy()
例如：

将Variable张量转化为numpy:
V_data = V_data.data.numpy()

import numpy as np
import torch

np_arr = np.array([1,2,3,4])
tensor_=torch.from_numpy(np_arr)
ten_numpy=tensor_.numpy()

这里需要注意的是，你定义的numpy数组或者tensor使用了Variable时，想要转换为tensor或者numpy时，例如：

#mydata为Variable（tensor）类型时，转换为numpy
mydata=mydata.data.numpy()

5、图像数据读取、类型与转换

5.1、cv2库：

import cv2
img=cv2.imread('xxx.jpg')#加载图片
cv2.imshow('src',img)#显示图片

#img。shape为获取图像numpy数据格式
#img.size为图像数据像素值个数
#img.dtype为numpy中数据类型

cv2读取图片为一个numpy矩阵，彩色图片维度是（高度，宽度，通道数），数据类型是uint8。若获取的为灰度图，读进来的灰度图的矩阵格式是（高度，宽度）。
cv2中图片矩阵变换：

img = img.transpose(2,0,1)
#若读取格式为（3,124,224，则上面的转换为（224,3,124）

5.2、PIL.Image.open

from PIL import Image
img = Image.open('xxx.jpg')
print(img.format) 
print(img.size) #注意，省略了通道 (w，h)
print(img.mode)  #L为灰度图，RGB为真彩色,RGBA为加了透明通道
img.show() # 显示图片

Image.open()读取图片返回的是一个对象（JPEG），特别的有些很有意思的执行语句：

import np
#复制图像
img = img.copy()
#灰度图像获取
gray = Image.open('xxx.jpg').convert('L')
#转化为矩阵形式
arr=np.array(img)
#矩阵再转为图像
new_im = Image.fromarray(arr)
#分离合并通道
r, g, b = img.split()
img = Image.merge("RGB", (b, g, r))

5.3、matplotlib.pyplot as plt

import matplotlib.pyplot as plt
import numpy as np
image = plt.imread('xxx.jpg')
plt.imshow(image)
plt.show()

值得注意的是plt.imread读入的也是一个矩阵，但跟cv2不一样的是，彩图读进的是RGB，格式为 (h,w,c)，还有就是存储图像时，注意，必须在show之前savefig，否则存储的图片一片空白

6、异常处理
当我们编写代码的时候，或者编写网络时候出现可以忽略的异常IOError，但我们又不想结束程序，这时候我们可以捕捉它，做异常处理

try:
    #此处编写原来想要的程序代码块
except IOError:#（IOErro为一个异常，可以替换其他异常种类）
    print('fail to do something!')

7、常见的激活函数
无论是在学习也好，找工作笔试也好，这些都是最基本的问题，下面跟着我的思路来走。
（1）question one： 什么是激活函数
（2）question two： 为什么要用激活函数
（3）question three： 常见的三大类激活函数是什么

8、学习率的下降方式

9、减少过拟合的方法

续

有待补充。。。。