深度学习中的关键工具与数据处理方法

Data Set: 作为数据集的载体，封装了数据及其对应标签。内部实现通常为包含特征数据和标签数据两个元素的对象或列表。

Data Loader: 作为数据加载器，其核心作用是将数据集包装成一个可迭代的对象，并支持按批次（Batch）进行数据的批量访问和处理，这对于提升大规模数据处理效率至关重要。

性能差异: PyTorch的核心计算单元是Tensor，其优势在于可以利用GPU进行高效计算。而Numpy数组则仅限于CPU计算。

必要转换: 会议明确指出，在使用PyTorch框架进行深度学习时，必须将Numpy数组转换为Tensor格式，以便利用GPU加速后续的计算过程。

核心模块: 包含model（封装经典神经网络模型）、dataset（集成热门公开数据集）、transforms（提供丰富的数据预处理功能）和utils（支持PIL图像对象的多种操作）。

推荐实践: 强调在进行项目研究和撰写论文时，应详细记录并可视化数据预处理过程中所做的各项操作（如resize, augmentations等），这不仅能体现工作的严谨性，也能在答辩和其他评估环节中展现更扎实的研究功底。

介绍了如何使用transforms库对图像进行数据增强，如中心裁剪、随机水平翻转等操作。

明确了定宽或定高裁剪的含义：整数n表示在两个维度上都将图像裁剪为n×n的大小。

解释了如何利用loader处理分散在多个文件夹下的图像数据，形成统一的数据集循环，以便进行后续处理。

强调了TensorBoard对于监控模型训练过程的重要性，尤其在可视化损失/准确率变化方面。

详细介绍了TensorBoard的使用流程：

安装并实例化TensorFlow Recorder (logdir)。

通过add_scalars、add_images等方式记录不同的训练信息。

启动TensorBoard服务，访问Web界面查看可视化结果。

解说了多种可视化类型，包括：

可视化单个数值（如损失、准确率）的变化趋势。

可视化图像数据本身。

可视化计算图结构。

可视化高维数据的低维表示（如PR曲线）。