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】】

[https://www.bilibili.com/video/BV1hE411t7RN]

P7. TensorBoard的使用（一）

• TensorBoard 的安装与导入

  pip install -i tensorboard

  from torch.utils.tensorboard import SummaryWriter
  

• add_scalar() 的使用

  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）

  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

  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

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

• Normalize 的使用

  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

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

• Compose 的使用

  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

  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

  # 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

  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