pytorch学习(十六):终——解释一些bug

1.torch.tensortorchvision.transforms.ToTensor()的区别

torch.tensortorchvision.transforms.ToTensor() 在 PyTorch 中虽然都用于创建或转换数据为张量(Tensor),但它们的使用场景和目的有所不同。

torch.tensor

torch.tensor 是 PyTorch 中用于创建张量的基本函数。这个函数可以接受各种类型的数据(如列表、NumPy数组等)作为输入,并返回一个具有指定数据类型(dtype)和是否需要在GPU上(device)的张量。这个函数主要用于直接创建或初始化张量,而不是在数据预处理或数据加载的流程中。

torchvision.transforms.ToTensor()

torchvision.transforms.ToTensor() 是 PyTorch 视觉库(torchvision)中的一个转换操作,主要用于将 PIL 图像或 NumPy ndarray(通常是图像数据)转换为 PyTorch 张量。这个转换不仅仅是简单的数据类型转换,它还会执行以下操作:

  1. 将图像数据从 [0, 255] 归一化到 [0.0, 1.0]:这是通过除以 255 来实现的,因为图像通常以 8 位无符号整数(uint8)的形式存储,其值域为 [0, 255]。

  2. 将图像数据从 H x W x C 转换为 C x H x W:这里 H 是高度,W 是宽度,C 是颜色通道数(例如,RGB 图像有 3 个通道)。这种转换是因为 PyTorch 期望的输入张量维度顺序是通道数在前(C x H x W),而 PIL 图像和 NumPy ndarray 的默认维度顺序是高度在前(H x W x C)。

使用场景的区别

  • torch.tensor:当你需要直接创建或初始化一个张量,比如定义一个模型参数、操作或计算的中间结果时,你会使用这个函数。

  • torchvision.transforms.ToTensor():当你处理图像数据时,特别是在数据加载和预处理阶段,你需要将图像数据(无论是 PIL 图像还是 NumPy ndarray)转换为 PyTorch 张量,并准备它们以供模型训练或推理使用。此时,你会使用这个函数。

2.torchvision.transforms.Resize((32,32))报错

该函数只能接受PIL图像。

不可以opencv直接读取然后传给transform,需要用PIL读取。

python 复制代码
# -*- coding: utf-8 -*-  
# File created on 2024/8/12 
# 作者:酷尔
# 公众号:酷尔计算机
import cv2
import torchvision
import torch
from PIL import Image
img=Image.open('dog.png')

transform=torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize((32,32)),
        torchvision.transforms.ToTensor()
    ]
)
img=transform(img)
print(img.shape)

3.用GPU训练的模型,测试模型也要把照片转为GPU格式

img=img.cuda()

python 复制代码
# -*- coding: utf-8 -*-  
# File created on 2024/8/12 
# 作者:酷尔
# 公众号:酷尔计算机
import cv2
import torchvision
import torch
from PIL import Image
from torch import nn
img=Image.open('dog.png')

transform=torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize((32,32)),
        torchvision.transforms.ToTensor()
    ]
)
img=transform(img)
# print(img.shape)
class Wang(nn.Module):
    def __init__(self):
        super(Wang, self).__init__()
        self.model1=nn.Sequential(
            nn.Conv2d(3, 32, 5, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, padding=2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024, 64),
            nn.Linear(64, 10),
        )

    def forward(self,x):
        x=self.model1(x)
        return x
model=torch.load("./models/wang_0.pth")
# print(model)
img=torch.reshape(img,(1,3,32,32))
img=img.cuda()
model.eval()
with torch.no_grad():
    output=model(img)
print(output)

print(output.argmax(1))
相关推荐
钢铁男儿1 小时前
PyTorch 机器学习基础(机器学习一般流程)
人工智能·pytorch·机器学习
老鱼说AI1 小时前
当自回归模型遇上扩散模型:下一代序列预测模型详解与Pytorch实现
人工智能·pytorch·深度学习·神经网络·语言模型·自然语言处理·stable diffusion
爱隐身的官人8 小时前
爬虫基础学习-爬取网页项目(二)
前端·爬虫·python·学习
Ysn07199 小时前
pytorch_grad_cam 库学习笔记—— Ablation-CAM 算法的基类 AblationCAM 和 AblationLayer
pytorch·笔记·学习
小清兔10 小时前
c#基础知识
开发语言·数据库·学习·unity·c#·游戏引擎·.net
霜绛10 小时前
Unity笔记(七)——四元数、延迟函数、协同程序
笔记·学习·unity·游戏引擎
2006yu10 小时前
从零开始学习单片机13
单片机·嵌入式硬件·学习
风和日丽 随波逐流10 小时前
java18学习笔记
笔记·学习·java18
幽络源小助理11 小时前
如何从零开始学习黑客技术?网络安全入门指南
网络·学习·web安全
2006yu12 小时前
从零开始学习单片机12
学习