pytorch 我是土堆课程学习

2026-1-15

tips：

gethub的download zip 之后，浏览器上下载卡住了：使用 fdm（free download Manager）

右键下载链接复制到fdm即可

anaconda常用指令

进入 Anaconda prompt

conda create -n [环境名称] python=[3.6]

ad: conda create -n tudui python=3.6

conda list 获取base环境中的所有包

conda env list 表示Anaconda里面所有的环境

conda activate tudui 激活"tudui"这个环境

当然也可以用Anaconda Navigator这种可视化页面来操作

在tudui环境中安装notebook的包

conda activate tudui

conda install nb_conda （注意这里最好别用pip）

jupyter notebook

主要是要看conda list里面有没有ipkernel，没有就需要安装这个包

然后用浏览器进入

新建对应conda环境tudui的notebook

验证：import torch

torch.cuda.is_available()

正确输出：true

help()与dir()

help(torch.cuda.is_available)

dir(torch.cuda.is_available())

Dataset与Dataloader

Dataset和 DataLoader是 PyTorch 中数据加载的两个核心组件，它们分工明确，一起协作完成高效的数据加载和处理。

1. Dataset

• 定义 ：数据集的定义者和描述者

• 职责 ：负责定义数据如何组织、存储和读取

• 关键方法：

  • __len__()：返回数据集的大小

  • __getitem__()：根据索引返回单个数据样本

• 特点：被动组件，不管理批次、打乱等

from torch.utils.data import Dataset
import torch

class MyDataset(Dataset):
    def __init__(self, data):
        self.data = data
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        return self.data[idx]  # 返回单个样本

# 创建数据集
dataset = MyDataset(torch.randn(100, 3, 32, 32))  # 100个样本
print(f"数据集大小: {len(dataset)}")  # 100
sample = dataset[0]  # 获取第一个样本
print(f"样本形状: {sample.shape}")  # torch.Size([3, 32, 32])

2. DataLoader

• 定义 ：数据加载的管理者和执行者

• 职责 ：负责批量加载、打乱、并行处理等

• 关键功能：

  • 批量处理

  • 数据打乱

  • 多进程并行加载

  • 数据预处理

• 特点：主动组件，管理加载流程

from torch.utils.data import DataLoader

# 创建数据加载器
dataloader = DataLoader(
    dataset,          # 传入 Dataset
    batch_size=16,    # 批次大小
    shuffle=True,     # 打乱数据
    num_workers=2,    # 并行进程数
    drop_last=True    # 丢弃最后一个不完整的批次
)

# 遍历批次
for batch in dataloader:
    print(f"批次形状: {batch.shape}")  # torch.Size([16, 3, 32, 32])
    break

P6_Dataset类代码实战

P7_TenSorBoard的使用（一）

P8_TenSorBoard的使用（二）

P9_Transforms的使用（一）