Pytorch深度学习入门

一、配环境和基础知识

1.1 创建pytorch环境

在Anaconda Prompt中输入

conda create -n pytorch python=3.6

Proceed ([y]/n)? >>> y(装包)

下载Pytorch
进入官网，注意选cpu（因为显卡不是英伟达）

在Anaconda Prompt中进入之前创建的conda环境
运行上面给的指令

conda install pytorch torchvision torchaudio cpuonly -c pytorch

Proceed ([y]/n)? >>> y(装包)
验证是否安装成功（不报错则√）

（或往下再输入print(torch.cuda_is_avaliable)返回False则√，因是cpu版本）

1.2 Python编辑器1——PyCharm

在控制台验证环境是否可用（不报错则√）

1.3 Python编辑器2——Jupyter

为了更方便进入jupyter:

conda install nb_conda

此时应该能够直接打开jupyter nootebook，但出现报错：

csdn查了下是我安装的tornado版本与jupyter不匹配，解决方法是输入以下

conda install tornado=4.5

此时再输入

jupyter nootebook

直接完成跳转。选择New→Python [conda env:pytorch] * 创建新的文件

import torch

输入以上代码后shift+回车，验证环境是否可用（不报错则√）

1.3 Python中的两大工具函数

将Python的package（如pytorch）类比为工具箱（其中有许多分区和工具）

（1）dir()函数：打开工具箱（或它的某分区），返回里面有什么
（2）help()函数：返回某工具具体怎么用（官方解释文档）

示例（在Python控制台中）

In[5]:dir(torch)
Out[5]: 
['AVG',
 'AggregationType',
 'AliasDb',
  ...
 'cuda',
  ...]
In[6]:dir(torch.cuda)
Out[6]: 
['Any',
 'BFloat16Storage',
 'BFloat16Tensor',
  ...
  'is_available',
  ...]
In[7]:help(torch.cuda.is_available)
Help on function is_available in module torch.cuda:
is_available() -> bool                                        # 输出为布尔值
    Returns a bool indicating if CUDA is currently available. # 返回一个布尔值，指示 CUDA 当前是否可用。

1.4 三种代码运行方式对比

	Python文件	Python控制台	Jupyter
运行单位	所有行的代码为一块	以任意行为块	以任意行为块
优点	文件保存、传播方便，适用于大型项目	显示每个变量的属性	有利于代码阅读及修改
缺点	需要从头运行	不利于代码阅读及修改	环境需要配置

代码运行流程示例：

二、数据集的认识和制作

pytorch中关于读取数据的两个类：

Dataset	Dataloader
获取数据及其label、编号（size）	为网络提供不同的数据形式

本次实验的数据集存储形式

开始动手！
①手动将数据集移入python工程文件所在根目录下

②读取数据（图片）

# 法1
from PIL import Image
img_path = "xxx"
img = Image.open(img_path)
img.show()
 
# 法2：利用opencv读取图片，获得numpy型图片数据
import cv2
cv_img=cv2.imread(img_path)

样例(注意路径中改为双斜杠\\防止转义)

③加载数据集

代码如下

from torch.utils.data import Dataset
from PIL import Image
import os

class MyData(Dataset):

    def __init__(self, root_dir, label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir, self.label_dir)
        self.img_path = os.listdir(self.path)

    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img, label

    def __len__(self):
        return len(self.img_path)

root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)

train_dataset = ants_dataset + bees_dataset

三、Tensorboard的使用