Pytorch 框架

第一章数据加载

Dataset:提供一种方式去获取数据及其标签，并告诉我们有多少数据

Dataloader:为后面的网络提供不同的数据形式

class MyData(Dataset):               #创建一个MyData类，去继承Datasetdef __init__(self,root_dir,label_dir):         #创建全局变量，比如数据的路径self.root_dir = root_dirself.label_dir = label_dir             #self.设置全局变量self.path = os.path.join(self.root_dir,self.label_dir)  #得到的是拼接的路径self.img_path = os.listdir(self.path)    #获得path路径下的所有文件（名字）,是一个数组def __getiem__(self,index):       #获得图片img_name = self.img_path[index]   #获得数组中的一个（文件名），不是路径img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)#再拼接上文件名label = self.label_dirreturn img,labeldef __len__(self):return len(self.img_path)    #返回一个长度#使用
root_dir = "database/train"
data_label_dir = "data"
data_dataset = MyDate(root_dir,data_label_dir)
img,label = data_dataset[0]    #第一张数据
img.show()     #放出来

第二章 tensorboard的使用

主要用于看loss的变化

writer = SummaryWriter("logs")    #把文件存储在logs文件夹下#有三种主要的使用
writer.add_image()    #用来把图片显示在ten里
writer.add_scalar()   #显示函数
writer.close()#在终端输入命令，复制地址可打开。
#tensorboard --logdir=logs    其中logdir=事件文件所在文件夹名
#tensorboard --logdir=logs --port=6007    指定端口

其中add_image()读取数据的类型必须是 torch.Tensor, numpy.array, 或者是string/blobname类型，故要进行数据类型转换。

opencv-python是最常用来打开numpy类型的包

import numpy as np
from PIL import Imageimage_path = '地址'
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)      #先获得PIL数据类型
print(type(img_array))

第三章 transforms

用来对图像进行变换，也就是输入一个特定格式的图片，经过transforms的函数后输出我们想要的图片结果

totensor数据类型：

img_path = '路径'
img = Image.open(img_path)
print(img)   #PIL类型的图片tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)   #将PIL转换为tensor数据类型

Resize改变尺寸：

t_resize = transforms.Resize((512,512))
img_size = t_resize(img)

第四章数据集的加载

转换为tensor数据类型

import torchvisiondataset_transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()
])

五神经网络的搭建

import torch.nn as nn
import torch.nn.functional as Fclass Model(nn.Module):  #相当于nn.Module是一个网络框架，我们对其一部分进行更改def __init__(self):super().__init__()self.conv1 = nn.Conv2d(1, 20, 5)self.conv2 = nn.Conv2d(20, 20, 5)def forward(self, x):      #神经网络经过forward得到一个输出（前向传播）x = F.relu(self.conv1(x))    # x经过一次卷积conv1，再经过一次非线性relureturn F.relu(self.conv2(x))    #得到的x再经过一次conv2再经过一次relu

卷积：用卷积核在输入图像上对应相乘再相加。

import torch
input = torch.tensor([[1,2,0,3,1],    #[[表示是二维矩阵   #输入图像[0,1,2,3,1],[1,2,1,0,0],[5,2,3,1,1],[2,1,0,1,1]],dtype=torch.float32)#把lang型的1变成浮点型的1.0kernel = torch.tensor([[1,2,1],      #卷积核[0,1,0],[2,1,0]])print(input.shape)              # torch.Size([5,5])
input = torch.reshape(input,(1,1,5,5))   # 1-bachsize为1；1- 平面所以通道为1；(5,5)H，W
kernel = torch.reshape(kernel,(1,1,3,3))#卷积
import torch.nn.functional as Foutput = F.conv2d(input,kernel,stride = 1)     #stride = 1 走一步 padding输入图片填充
print(output)   #结果就是对应相乘相加得到的矩阵

conv2d的输入要求：input(minibatch,in_channels,H,W)四个参数，而图片的shape只输出(H,W)因此采用reshape函数

class Module(nn.Module)def __init__(self):super(Module,self).__init__()     #初始化父类self.conv1 = Conv2d(in_channels=3,out_channels=6,   #3-彩色，6-自己想要的层kernel_size=3,stride=1,padding=0) #3-卷积核3✖3def forward(self,x):x = self.conv1(x)return x          #想得到输出x，所以返回xm = Module()
print(m)

六最大池化

最大池化是指，对应相乘的最大值（不相加）。最大池化的目的是保留输入的特征，同时又把数据量进行减小。

class Module(nn.Module)def __init__(self):super(Module,self).__init__()     #初始化父类self.maxpool1 = MaxPool2d(kernel_size = 3,ceil_mode = True) #最大池化#ceil_mode=True 卷积核移动的时候边边也算def forward(self,input):output = self.maxpool1(input)return x module = Module()
output = module(input)    #把输入的数组传进去#如何把图应用在网络里
dataset = torchvision.datasets.CIFAR10('../data',train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset,batch_size = 64)   #按每次64张输入图片for data in dataloader:   imgs,targets = dataout = module(imgs)

七非线性激活

非线性变换目的是为网络引入一些非线性特征，因为非线性越多，网络才能训练出符合各种曲线特征的模型。如果大家都是线性的话，那模型的泛化能力将不够好

nn.ReLU

class Module(nn.Module)def __init__(self):super(Module,self).__init__()     #初始化父类self.relu1 = ReLU()               #ReLU函数表示 小于0的为0，大于0的线性输出def forward(self,input):output = self.relu1(input)return output

ReLU对图像的作用不是很明显，Sigmoid函数明显一些。

八正则化

可以加快神经网络的训练速度。用的少

Pytorch 框架相关推荐

PyTorch框架：（4）如何去构建数据
接PyTorch框架:(3) 1.最基本的方法 (1)使用模块模块1:TensorDataset.模块2:DataLoader 自己去构造数据集,然后一个batch一个batch的取数据,自己去写构 ...
PyTorch框架：（3）使用PyTorch框架构构建神经网络分类任务
目录 0.背景 1.分类任务介绍: 2.网络架构 3.手写网络 3.1.读取数据集 3.2.查看数据集 3.3将x和y转换成tensor的格式 3.4.定义model 0.背景其实分类和回归本质上没 ...
PyTorch框架：（1）基本处理操作
目录 1.PyTorch框架介绍 2.安装Pytorch 2.1.CPU版本的安装命令: 2.2.GPU版本的安装命令: 2.2.1.安装CUDA 3.基本使用方法 4.Pytorch中的自动求导机制 ...
Pytorch框架的深度学习优化算法集(优化中的挑战)
个人简介:CSDN百万访问量博主,普普通通男大学生,深度学习算法.医学图像处理专攻,偶尔也搞全栈开发,没事就写文章,you feel me? 博客地址:lixiang.blog.csdn.net Py ...
Pytorch之CNN：基于Pytorch框架实现经典卷积神经网络的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——从代码认知CNN经典架构
Pytorch之CNN:基于Pytorch框架实现经典卷积神经网络的算法(LeNet.AlexNet.VGG.NIN.GoogleNet.ResNet)--从代码认知CNN经典架构目录 CNN经典算 ...
【视频课】永久免费！5小时快速掌握Pytorch框架入门及实战
前言 PyTorch是深度学习的主流框架之一,新手入门相对容易.为了帮助初学者解决PyTorch入门及实践的问题,有三AI推出<深度学习之PyTorch-入门及实战>课程,课程将算法.模型 ...
【CV实战】年轻人的第一个深度学习图像分割项目应该是什么样的（Pytorch框架）？...
我们上次给新手们介绍了第一个合适入门的深度学习CV项目,可阅读[CV实战]年轻人的第一个深度学习CV项目应该是什么样的?(支持13大深度学习开源框架),本次我们再给大家介绍一个新的任务,图像分割,包括 ...
Pytorch框架中SGD＆Adam优化器以及BP反向传播入门思想及实现
因为这章内容比较多,分开来叙述,前面先讲理论后面是讲代码.最重要的是代码部分,结合代码去理解思想. SGD优化器思想: 根据梯度,控制调整权重的幅度公式: 权重(新) = 权重(旧) - 学习率 ...
PyTorch框架学习二十——模型微调（Finetune）
PyTorch框架学习二十--模型微调(Finetune) 一.Transfer Learning:迁移学习二.Model Finetune:模型的迁移学习三.看个例子:用ResNet18预训练模 ...
PyTorch框架学习十九——模型加载与保存
PyTorch框架学习十九--模型加载与保存一.序列化与反序列化二.PyTorch中的序列化与反序列化 1.torch.save 2.torch.load 三.模型的保存 1.方法一:保存整个Mo ...

Pytorch 框架

第一章数据加载

第二章 tensorboard的使用

第三章 transforms

第四章数据集的加载

五神经网络的搭建

六最大池化

七非线性激活

八正则化

Pytorch 框架相关推荐

最新文章

热门文章

Pytorch 框架

第一章 数据加载

第二章 tensorboard的使用

第三章 transforms

第四章 数据集的加载

五 神经网络的搭建

六 最大池化

七 非线性激活

八 正则化

Pytorch 框架相关推荐

最新文章

热门文章

第一章数据加载

第四章数据集的加载

五神经网络的搭建

六最大池化

七非线性激活

八正则化