P3. Python学习中的两大法宝函数（当然也可以用在PyTorch）
import torch
#查看pytorch有哪些指令
print(dir(torch))
print(dir(torch.cuda))
#查看每条指令怎么用
help(torch.cuda.is_available)P4. PyCharm及Jupyter使用及对比
P5 dataset和dataloader
P6. Dataset类代码实战
import os
from PIL import Image
from torch.utils.data import Dataset
# dataset有两个作用：1、加载每一个数据，并获取其label；2、用len（）查看数据集的长度
class MyData(Dataset):
def __init__(self, root_dir, label_dir): # 初始化，为这个函数用来设置在类中的全局变量
self.root_dir = root_dir
self.label_dir = label_dir
self.path = os.path.join(self.root_dir,self.label_dir)
# 单纯的连接起来而已，背下来怎么用就好了，因为在win下和linux下的斜线方向不一样，所以用这个函数来连接路径
self.img_path = os.listdir(self.path) # img_path 的返回值，就已经是一个列表了
def __getitem__(self, idx): # 获取数据对应的 label
img_name = self.img_path[idx] # img_name 在上一个函数的最后，返回就是一个列表了
img_item_path = os.path.join(self.root_dir, self.label_dir, img_name) # 这行的返回，是一个图片的路径，加上图片的名称了，能够直接定位到某一张图片了
img = Image.open(img_item_path) # 这个步骤看来是不可缺少的，要想 show 或者 操作图片之前，必须要把图片打开(读取)，也就是 Image.open()一下，这可能是 PIL 这个类型图片的特有操作
label = self.label_dir # 这个例子中，比较特殊，因为图片的 label 值，就是图片所在上一级的目录
return img, label # img 是每一张图片的名称，根据这个名称，就可以使用查看（直接img）、print、size等功能
# label 是这个图片的标签，在当前这个类中，标签，就是只文件夹名称，因为我们就是这样定义的
def __len__(self):
return len(self.img_path) # img_path，已经是一个列表了，len()就是在对这个列表进行一些操作
if __name__ == '__main__':
root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)
train_dataset = ants_dataset + bees_dataset
# runfile('E:/pythonProject/learn_pytorch/read_data.py')
P7/8. TensorBoard的使用
用于数据可视化
运行方式
# 切换到 Logs的上一层目录中
tensorboard --logdir=logs --port=6007demo1
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("logs")
# writer.add_image()
# writer.add_scalar()
for i in range(100):
writer.add_scalar("y=2x",2*i,i)
writer.close()
demo2
from torch.utils.tensorboard import SummaryWriter
from PIL import Image
from torchvision import transforms
writer = SummaryWriter("../logs")
img = Image.open('../images/pytorch.png')
# img.show()
print(img)
trans_tensor = transforms.ToTensor()
img_tensor = trans_tensor(img)
writer.add_image('ToTensor',img_tensor)
trans_norm = transforms.Normalize([2, 3, 5, 10], [0.5, 0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
writer.add_image("Normalize",img_norm,2) #2,表示第2步
writer.close()
P10/P11/P12/P13 Transform(处理图片 先忽略)
数据集下载
用好pytorch官网
#下载路径为../data;第二个参数表示现在训练集；第三个参数表示下载成tensor类型，最后将download设置为true
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
#，train=False 表示下载测试集
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
P15 DataLoader加载数据集
加载数据集方式主要使用的是DataLoader；我们不管是自己制作的数据集，还是从网上下载的数据集，当我们把这些数据送到神经网络训练的时候，我们必须用一些特定的方式送给神经网络。这便是DataLoader的作用，比如最常见的batch_size。有时数据集非常的大几万甚至几十万张图片，一张一张送进送进神经网络效率太低，所以我们要成批(batch_size)的送给神经网络。还有我们是否对数据集打乱等等。
