深度学习pytorch入门实战

1. torch和torchvision

这两个都是putorch中常用的包，之前已经使用了很多torch的内容，下面我们介绍一下torchvision
torchvision包的朱要功能是实现数据的处理，导入和预览等，所以对于计算机视觉的相关处理非常方便

import torch
from torchvision import datasets,transforms
from torch.autograd import Variable

首先导入必要的包，在这里我们只需用到torchvision中的datasets和transforms两个包，因此只导入了他们两个，随后进行数据集的下载，使用datasets加上需要下载的数据集名称可以比较方便地下载，我们要使用的数据集叫做MINIST

transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))])
data_train=datasets.MNIST(root='./data/',transform=transform,train=True,download=True)
data_test=datasets.MNIST(root='./data/',transform=transform,train=False)

root用于指定下载后的存放路径，transform用于指定导入数据集时对数据进行哪种变换，train用于指定下载完成后需要载入哪些数据，如果为true就说明是训练集，需要载入，如果是false就是测试集
下面介绍transforms

2.torch.transforms

transforms对载入的数据进行变换，举个例子，如果需要载入的数据集都是图片，那么实际计算中必须转化为tensor张量才能处理，或者是图片大小格式不一样，都可以使用transforms提供的操作进行归一化
transforms中有很大一部分可以用于数据增强，如果我们的数据集非常有限，那么就需要对已有数据进行翻转，裁剪等系列操作，来丰富数据集这里我们使用的数据集完全足够，因此不需要数据增强

我们将上面代码中的torchvision.tansforms.Compose看作一种容器，他能够对多种数据组合进行变换，传入的参数是一个列表，列表中的元素就是对载入的数据进行各种变换操作，在上述代码中，compose中用了一个类型转换操作ToTensor和一个数据标准化操作Normalize，这里使用的标准化变换也叫做标准差变换法，这种方式需要使用原始数据的均值mean和标准差来进行数据的标准化，变换之后数据满足均值为零，标准差为1的标准正态分布，不过这里我们指定的均值mean和标准差std都不是原始数据的，而是自行定义的，不过仍然能完成标准化操作，注意，此处定义的均值和标准差两个参数必须是一维的，因为MNIST图像是灰度的而不是RGB彩色图，因此只有一个图像通道，所以在归一化的时候只能定义一维的参数，否则不匹配，后面会报错下面列举一下transforms中的数据变换操作：

• Resize：用于图片数据的缩放，参数是一个整形数据也可以是（h，w）的序列，分别代表缩放的宽度和高度，只指定一个参数就是高度和宽度都等于这个参数
• Scale：同Resize
• CenterCrop：保持图片中心进行裁剪，参数以及意义同Resize
• RandomCrop：随机裁剪，参数同上
• RandomHorizontalFlip：按随机概率进行水平翻转，参数是概率值，默认为0.5
• RandomVerticalFlip：竖直反转，同上
• ToTensor：将PILImage转换为tensor类型
• ToPILImage：将tensor转化为PILImage类型，方便内容的显示

3. 数据预览和装载

再数据载入后还要进行装载，可以理解为数据的载入就是对图片的处理，处理完之后装载就是打包发送给我们的训练模型

data_loader_train=torch.utils.data.DataLoader(dataset=data_train,batch_size=64