PyTorch深度学习入门笔记（小土堆）P7-14

PyTorch深度学习入门笔记P7-14

@ZZHow(ZZHow1024)

参考课程：

【PyTorch深度学习快速入门教程【小土堆】】

P7. TensorBoard的使用（一）

TensorBoard 的安装与导入

pip install -i tensorboard
python 复制代码
```
from torch.utils.tensorboard import SummaryWriter
```

add_scalar() 的使用

python 复制代码

writer = SummaryWriter('logs')

# y = x
for i in range(100):
    writer.add_scalar("y = x", i, i)

writer.close()

TensorBoard 的启动

tensorboard --logdir=logs --port=6006
案例演示：p7_tensorboard_1.py

P8. TensorBoard的使用（二）

add_image() 的使用（常用来观察训练结果）

python 复制代码

writer = SummaryWriter('logs')

image_path = 'xxx'
image_pil = Image.open(image_path)
image_array = np.array(image_pil)

writer.add_image('image', image_array, 1, dataformats='HWC')

writer.close()

案例演示：p8_tensorboard_2.py

P9. Transforms的使用（一）

transforms 该如何使用

python 复制代码

tensor_transform = transforms.ToTensor()
tensor_image = tensor_transform(image)

案例演示：p9_transforms_1.py

P10. Transforms的使用（二）

为什么需要 Tensor 数据类型
- Tensor（张量）是PyTorch、TensorFlow等深度学习框架中的核心数据结构，本质上是多维数组 （类似于NumPy的ndarray），但具备更强大的功能，专为高效计算和硬件加速设计。
- Tensor 是深度学习的基石，它统一了多维数据的表示、支持硬件加速和自动微分，是构建高效、灵活神经网络的必备工具。
案例演示：p10_transforms_2.py

P11. 常见的Transforms（一）

ToTensor 的使用

python 复制代码

transforms_tensor = transforms.ToTensor()
image_tensor = transforms_tensor(image)

Normalize 的使用

python 复制代码

transforms_normalize = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
image_norm = transforms_normalize(image_tensor)

案例演示：p11_transforms_use_1.py

P12. 常见的Transforms（二）

Resize 的使用

python 复制代码

transforms_resize = transforms.Resize((512, 512))
image_resize = transforms_resize(image)
image_resize = transforms_tensor(image_resize)

Compose 的使用

python 复制代码

transforms_resize_2 = transforms.Resize(512)
transforms_compose = transforms.Compose([transforms_resize_2, transforms_tensor])
image_resize_2 = transforms_compose(image)

RandomCrop 的使用

python 复制代码

transforms_random = transforms.RandomCrop(256)
transforms_compose_2 = transforms.Compose([transforms_random, transforms_tensor])
for i in range(10):
    image_crop = transforms_compose_2(image)
    writer.add_image('RandomCrop', image_crop, i)

总结
- 关注输入和输出类型
- 多看官方文档
- 关注方法需要什么参数
不知道返回值的时候
- print
- print(type())
- debug
案例演示：p12_transforms_use_2.py

P13. torchvision中的数据集使用

官方数据集

Datasets --- Torchvision 0.22 documentation

使用

python 复制代码

# 训练数据集
train_set = torchvision.datasets.CIFAR10(root='./dataset', train=True, transform=torchvision.transforms.ToTensor(),
                                         download=True)
# 测试数据集
test_set = torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(),
                                        download=True)

数据集的常用参数
- root (必需参数)：指定数据集存储的根目录路径。
- train (默认值: True)：指定加载训练集还是测试集。
- transform (默认值: None)：定义对图像数据的预处理操作（如缩放、归一化、数据增强）。
- target_transform (默认值: None)：定义对标签（target）的预处理操作（如标签映射、编码转换）。
- download (默认值: False) ：是否自动下载数据集到 root 目录。
案例演示：p13_datasets.py

P14. DataLoader的使用

使用

python 复制代码

test_data = torchvision.datasets.CIFAR10('./dataset', train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)
test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=False)

DataLoader 的常用参数
- dataset (必需参数) ：指定要加载的数据集对象，必须是继承自 torch.utils.data.Dataset 的实例。
- batch_size (默认值: 1)：每个批次（batch）加载的样本数量。
- shuffle (默认值: False)：是否在每个 epoch 开始时打乱数据顺序。
- num_workers (默认值: 0)：用于数据加载的子进程数量。
- drop_last (默认值: False) ：是否丢弃最后一个不完整的批次（当样本总数不能被 batch_size 整除时）。
- pin_memory (默认值: False)：是否将数据加载到 CUDA 的固定内存（pinned memory）中。
- timeout (默认值: 0)：设置从子进程获取数据的超时时间（秒）。
- sampler 和 batch_sampler：自定义数据采样策略（替代默认的随机打乱或顺序采样）。
- collate_fn (默认值: None)：自定义如何将多个样本合并成一个批次（batch）。
案例演示：p14_dataloader.py