PyTorch深度学习入门记录3

两大法宝

将PyTorch比作一个工具箱

dir()函数:了解工具箱里有什么东西

实战

python 复制代码
dir(torch.cuda)
Out[10]: 
['Any',
 'BFloat16Storage',
 'BFloat16Tensor',
 'BoolStorage',
...]

help()函数:了解工具的用法和作用(注意help内函数去掉())

python 复制代码
help(torch.cuda.is_available)
Help on function is_available in module torch.cuda:
is_available() -> bool
    Return a bool indicating if CUDA is currently available.

启动jupyter notebook时注意若pytorch位于D盘,进去jupyter notebook时要在后面加上D:

数据加载

pycharm项目终端安装opencv(然而视频并没有用到)

数据的一些读取方式

python 复制代码
from PIL import Image
img_path = "D:\\PyTorch_learning\\dataset\\train\\ants\\0013035.jpg"
img = Image.open(img_path)
img.size
img.show()

实战代码

数据集下载链接

复制代码
from torch.utils.data import Dataset  # 从PyTorch导入Dataset类,用于创建自定义数据集
from PIL import Image  # 从PIL库导入Image类,用于处理图像
import os  # 导入os模块,用于处理文件路径

class MyData(Dataset):  # 定义一个名为MyData的类,继承自Dataset

    def __init__(self, root_dir, label_dir):  # 初始化方法,接收两个参数:根目录和标签目录
        self.root_dir = root_dir  # 保存根目录到类的实例变量
        self.label_dir = label_dir  # 保存标签目录到类的实例变量
        self.path = os.path.join(self.root_dir, self.label_dir)  # 拼接根目录和标签目录,得到完整路径
        self.img_path = os.listdir(self.path)  # 获取该路径下所有文件的列表,保存为图像路径列表

    def __getitem__(self, idx):  # 定义获取元素的方法,接收索引idx作为参数
        img_name = self.img_path[idx]  # 根据索引获取图像文件名
        # 拼接完整的图像文件路径
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)
        img = Image.open(img_item_path)  # 打开图像文件,得到图像对象
        label = self.label_dir  # 标签就是当前的标签目录名(ants或bees)
        return img, label  # 返回图像和对应的标签

    def __len__(self):  # 定义获取数据集长度的方法
        return len(self.img_path)  # 返回图像路径列表的长度,即图像的数量

root_dir = "dataset/train"  # 定义根目录路径:数据集的训练集目录
ants_label_dir = "ants"  # 定义蚂蚁图像的标签目录名
bees_label_dir = "bees"  # 定义蜜蜂图像的标签目录名
ants_dataset = MyData(root_dir, ants_label_dir)  # 创建蚂蚁数据集实例
bees_dataset = MyData(root_dir, bees_label_dir)  # 创建蜜蜂数据集实例

train_dataset = ants_dataset + bees_dataset  # 将蚂蚁和蜜蜂数据集合并成一个训练数据集

img, label = train_dataset[123]
img.show() # 展示蚂蚁图片
print(label)

img, label = train_dataset[124]
img.show() # 展示蜜蜂图片
print(label)
相关推荐
东经116度20 分钟前
权重初始化方法详解
深度学习·机器学习·xavier初始化·全零初始化·随机初始化·he初始化
晚霞apple23 分钟前
三维重建技术的未来创新方向
论文阅读·人工智能·深度学习·神经网络·机器学习
NocoBase30 分钟前
GitHub 上最值得关注的 14 个开源 AI 低代码工具
人工智能·低代码·github
无风听海40 分钟前
神经网络之语义空间
人工智能·深度学习·神经网络
cxr8281 小时前
AI提示工程第一性原理:精通原子提示,激发语言模型的基本单位
人工智能·语言模型·自然语言处理
X.AI6661 小时前
YouTube评论情感分析项目84%正确率:基于BERT的实战复现与原理解析
人工智能·深度学习·bert
艾莉丝努力练剑1 小时前
【C++:继承】面向对象编程精要:C++继承机制深度解析与最佳实践
开发语言·c++·人工智能·继承·c++进阶
小宁爱Python2 小时前
从零搭建 RAG 智能问答系统 6:Text2SQL 与工作流实现数据库查询
数据库·人工智能·python·django
Hard_Liquor2 小时前
Datawhale秋训营-“大运河杯”数据开发应用创新大赛
人工智能·深度学习·算法
运维行者_2 小时前
AWS云服务故障复盘——从故障中汲取的 IT 运维经验
大数据·linux·运维·服务器·人工智能·云计算·aws