pytorch 常用知识

pytorch 历史版本

从此链接中可以查找pytorch历史版本的下载方法。如果感觉下载速度过慢，可以搭配镜像源使用。

pip install https://download.pytorch.org/whl/cu90/torch-1.0.0-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install torchvision

注意：安装 torch1.0 要对应安装torchvision0.2.0

查看信息

1. 查看 torch和torchvision版本信息

   import torch
   torch.__version__
   
   import torchvision
   torchvision.__version__
   

Dataloader

1. 读取单个数据

   dataIter = iter(trainLoader)
   images, labels = next(dataIter)
   

2. 定义成单个dataset

   dataset_test = ***Dataset (代表某个定义好的dataset)
   dataset_test[0]
   

训练与验证

1. with torch.no_grad():
   在使用pytorch时，并不是所有的操作都需要进行计算图的生成（计算过程的构建，以便梯度反向传播等操作）。而对于tensor的计算操作，默认是要进行计算图的构建的，在这种情况下，可以使用 with torch.no_grad():，强制之后的内容不进行计算图构建。
2. model.eval()
   在训练完成后，测试样本时需要使用model.eval()。

   def validate(val_loader, model, criterion):
   # 切换模型为预测模型,不会改变权重
   model.eval()
   val_loss = []
   
   # 不记录模型梯度信息
   with torch.no_grad():
       for i, (input, target) in enumerate(val_loader):
           if use_cuda:
               input = input.cuda()
               target = target.cuda()
           
           c0, c1, c2, c3, c4 = model(input)
           loss = criterion(c0, target[:, 0]) + \
                   criterion(c1, target[:, 1]) + \
                   criterion(c2, target[:, 2]) + \
                   criterion(c3, target[:, 3]) + \
                   criterion(c4, target[:, 4])
           # loss /= 6
           val_loss.append(loss.item())
   return np.mean(val_loss)