PyTorch深度学习入门笔记（小土堆）P7-14

PyTorch深度学习入门笔记P7-14

@ZZHow(ZZHow1024)

参考课程：

【PyTorch深度学习快速入门教程【小土堆】】

[https://www.bilibili.com/video/BV1hE411t7RN]

P7. TensorBoard的使用（一）

• TensorBoard 的安装与导入

  pip install -i tensorboard

  fromtorch.utils.tensorboardimportSummaryWriter

• add_scalar() 的使用

  writer=SummaryWriter('logs')# y = xforiinrange(100):writer.add_scalar("y = x",i,i)writer.close()

• TensorBoard 的启动

  tensorboard --logdir=logs --port=6006

• 案例演示：p7_tensorboard_1.py

P8. TensorBoard的使用（二）

• add_image() 的使用（常用来观察训练结果）

  writer=SummaryWriter('logs')image_path='xxx'image_pil=Image.open(image_path)image_array=np.array(image_pil)writer.add_image('image',image_array,1,dataformats='HWC')writer.close()

• 案例演示：p8_tensorboard_2.py

P9. Transforms的使用（一）

• transforms 该如何使用

  tensor_transform=transforms.ToTensor()tensor_image=tensor_transform(image)

• 案例演示：p9_transforms_1.py

P10. Transforms的使用（二）

• 为什么需要 Tensor 数据类型
  • Tensor（张量）是PyTorch、TensorFlow等深度学习框架中的核心数据结构，本质上是多维数组（类似于NumPy的ndarray），但具备更强大的功能，专为高效计算和硬件加速设计。
  • Tensor 是深度学习的基石，它统一了多维数据的表示、支持硬件加速和自动微分，是构建高效、灵活神经网络的必备工具。
• 案例演示：p10_transforms_2.py

P11. 常见的Transforms（一）

• ToTensor 的使用

  transforms_tensor=transforms.ToTensor()image_tensor=transforms_tensor(image)

• Normalize 的使用

  transforms_normalize=transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5])image_norm=transforms_normalize(image_tensor)

• 案例演示：p11_transforms_use_1.py

P12. 常见的Transforms（二）

• Resize 的使用

  transforms_resize=transforms.Resize((512,512))image_resize=transforms_resize(image)image_resize=transforms_tensor(image_resize)

• Compose 的使用

  transforms_resize_2=transforms.Resize(512)transforms_compose=transforms.Compose([transforms_resize_2,transforms_tensor])image_resize_2=transforms_compose(image)

• RandomCrop 的使用

  transforms_random=transforms.RandomCrop(256)transforms_compose_2=transforms.Compose([transforms_random,transforms_tensor])foriinrange(10):image_crop=transforms_compose_2(image)writer.add_image('RandomCrop',image_crop,i)

• 总结

  • 关注输入和输出类型
  • 多看官方文档
  • 关注方法需要什么参数

• 不知道返回值的时候

  • print
  • print(type())
  • debug

• 案例演示：p12_transforms_use_2.py

P13. torchvision中的数据集使用

• 官方数据集

  Datasets — Torchvision 0.22 documentation

• 使用

  # 训练数据集train_set=torchvision.datasets.CIFAR10(root='./dataset',train=True,transform=torchvision.transforms.ToTensor(),download=True)# 测试数据集test_set=torchvision.datasets.CIFAR10(root='./dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)

• 数据集的常用参数

  • root(必需参数)：指定数据集存储的根目录路径。
  • train(默认值:True)：指定加载训练集还是测试集。
  • transform(默认值:None)：定义对图像数据的预处理操作（如缩放、归一化、数据增强）。
  • target_transform(默认值:None)：定义对标签（target）的预处理操作（如标签映射、编码转换）。
  • download(默认值:False)：是否自动下载数据集到root目录。

• 案例演示：p13_datasets.py

P14. DataLoader的使用

• 使用

  test_data=torchvision.datasets.CIFAR10('./dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)test_loader=DataLoader(dataset=test_data,batch_size=64,shuffle=True,num_workers=0,drop_last=False)

• DataLoader 的常用参数

  • dataset(必需参数)：指定要加载的数据集对象，必须是继承自torch.utils.data.Dataset的实例。
  • batch_size(默认值:1)：每个批次（batch）加载的样本数量。
  • shuffle(默认值:False)：是否在每个 epoch 开始时打乱数据顺序。
  • num_workers(默认值:0)：用于数据加载的子进程数量。
  • drop_last(默认值:False)：是否丢弃最后一个不完整的批次（当样本总数不能被batch_size整除时）。
  • pin_memory(默认值:False)：是否将数据加载到 CUDA 的固定内存（pinned memory）中。
  • timeout(默认值:0)：设置从子进程获取数据的超时时间（秒）。
  • sampler和batch_sampler：自定义数据采样策略（替代默认的随机打乱或顺序采样）。
  • collate_fn(默认值:None)：自定义如何将多个样本合并成一个批次（batch）。

• 案例演示：p14_dataloader.py