Pytorch

1、Pytorch环境package

道具：
dir(): 打开，看见  
	dir(pytorch)  输出：1、2、3、4
	dir(pytorch)  输出：a、b、c
help(): 说明书
	help(pytorch.3.a)  

2、查看pytorch环境是否可以使用GPU

import torch
torch.cuda.is_available()
输出：True  则可以正常使用
dir(torch)          torch中的分割区
dir(torch.cuda)     torch的分割区cuda中的分隔区
help(torch.cuda.is_available)

3、pytorch加载数据

（1）Dataset
提供一种方式去获取数据及其label
在一堆垃圾数据中提取有用的信息并进行编号
		如何获取每一个数据及其label
		告诉我们总共有多少个数据
（2）Dataloader
为后面的网络提供不同的数据形式（进行打包）

数据集
train(训练数据集)  蚂蚁（label）、蜜蜂
val(验证数据集)

from torch.utils.data import Dataset
from PIL import Image
import os
class Mydata(Dataset):
	def __init__(self,root_dir,label_dir):
		 self.root_dir = root_dir
		 self.label_dir = label_dir
		 self.path = os.path.join(self.root_dir,self.label_dir)
		 self.img_path = os.listdir(self.path)
	def __getitem__(self,idx):
		img_name = self.img_path(idx)
		img_item_path = os.patn.join(self.root_dir,self.label_dir,img_name)
		img - Image.open(img_item_path)
		label = self.label_dir
		return img,label
	def __len__(self):
		return len(self.img_path)
root_dir = "dataset/train"(相对路径)
ants_label_dir = "ants"
ants_dataset = MyData(root_dir,ants_label_dir)
train_dataset = ants_dataset + bees_dataset

4、Tensorboard的使用

探索模型不同阶段是如何输出的

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter("logs")
image_path = "data/train/ants_image/0013035.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)

writer.add_image("test",img_array,1,dataformats='HWC')

for i in range(100):
	writer.add_scalar("y=2x",2*i,i)
writer.close

环境下的命令行执行
tensorboard --logdir=logs
tensorboard --logdir=logs --port=6007

5、torchvision中的transforms

transforms的结构及用法
transforms.py工具箱（totensor、resize数据类型）
1、transforms该如何使用
2、为什么需要Tensor数据类型

from torchvision import transforms
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
import cv2

img_path = "dataset/train/ants_image/0013035.jpg"(相对路径)
img = Image.open(img_path)
print(img)

writer = SummaryWriter("logs")

1、transforms该如何使用
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)

writer.add_image("Tensor_img",tensor_img)
write.close()

cv_img = cv2.imread(img_path)

print(tensor_img)
print(cv_img )