PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】笔记

本文主要是介绍PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

教程与代码地址

笔记中，图片和代码基本源自up主的视频和代码

视频链接: PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
视频代码: https://github.com/xiaotudui/PyTorch-Tutorial
如果想要爬虫视频网站一样的csdn目录，可以去这里下载代码：https://github.com/JeffreyLeal/MyUtils/tree/%E7%88%AC%E8%99%AB%E5%B7%A5%E5%85%B71

P1 PyTorch环境的配置及安装（Configuration and Installation of PyTorch)【PyTorch教程】

P2 Python编辑器的选择、安装及配置（PyCharm、Jupyter安装）【PyTorch教程】

P3 【FAQ】为什么torch.cuda.is_available返回False

P4 Python学习中的两大法宝函数（当然也可以用在PyTorch）

1. dir()
2. help()
   

P5 PyCharm及Jupyter使用及对比

P6 PyTorch加载数据初认识

在jupyter中：

from torch.utils.data import Dataset
# 查询Dataset的doc描述
# 方式一：
help(Dataset)
# 方式二：
Dataset??

三种数据集标签标注形式：
第一种：文件夹名字就是标签名；
第二钟：有另外一个文件记录下文件与标签的映射关系；
第三种：文件本身带有标签名。

P7 Dataset类代码实战

详细代码看read_data.py

from torch.utils.data import Dataset

os.path.join(self.root_dir, self.label_dir) 对地址字符串进行拼接，参数为可变形参

os.listdir(self.image_path) 把路径下的文件装入到list容器中

P8 TensorBoard的使用（一）

TensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。特别是在训练网络的时候，我们可以设置不同的参数（比如：权重W、偏置B、卷积层数、全连接层数等），使用TensorBoader可以很直观的帮我们进行参数的选择。

详细代码看P8_Tensorboard.py

from torch.utils.tensorboard import SummaryWriter

容易遇到以下问题，以及tensorboard的安装问题

pytorch 1.6.0 出现ModuleNotFoundError: No module named ‘tensorboard‘错误.

urllib.error.URLError: urlopen error [SSL: CERTIFICATE_VERIFY_FAILED]

P9 TensorBoard的使用（二）

详细代码看P8_Tensorboard.py

1. 创建SummaryWriter类，传入logs文件输出地址
2. 图片文件地址
3. Image类打开图片文件
4. 将Image类转换numpy格式
5. SummaryWriter类加载numpy格式图片
6. 画图
7. 关闭SummaryWriter流

P10 Transforms的使用（一）

详细代码看P9_transforms.py

transforms一个torchvision下的一个工具箱，用于格式转化，视觉处理工具，不用于文本。

按住ctrl，点击transforms

再按住ctrl，点击transforms，就能看到transforms的源代码，左下角structure可以看到文件结构。

它里面有多个工具类：
Compose类：将几个变换组合在一起。
CoTensor类：顾名思义，讲其他格式文件转换成tensor类的格式。
ToPILImage类：转换成Image类。
Nomalize类：用于正则化。
Resize类：裁剪。
RandomCrop：随机裁剪。

工具类都有__call__()方法，具体作用看python中的 call().

P11 Transforms的使用（二）

P12 常见的Transforms（一）

格式转换流程都大同小异，以Image转换成tensor为例：

1. 传入图片路径，创建Image类；
2. 创建ToTensor类；
3. 使用toTensor（image），传入Image类，调用ToTensor类的__call__()方法，返回Tensor类。

P13 常见的Transforms（二）

P14 torchvision中的数据集使用

进入pytorch官网

讲述dataset和transform的联合使用。

代码见P10_dataset_transform.py。

路径中：’.‘表示当前目录，’ …'表示上层目录，Linux里的shell语法

P15 DataLoader的使用

Dataset如果是一叠扑克牌的话，DataLoader就是一只手，参数就是告诉这只手怎么抓取扑克牌。

DataLoader常用参数：
dataset (Dataset) – 使用哪个数据集

batch_size (int, optional) – 一次抓取多少个数据，多少张牌

shuffle (bool, optional) – 是否重新洗牌

num_workers (int, optional) – 多线程，windows下要设成0，不然会出错，出现

BrokenPipeError: [Errno 32] Broken pipe

drop_last (bool, optional) – 当数据集大小不能被批大小整除时，设置为True则以删除最后一个不完整的批。False，则不删除，最后一批将变小。（默认值：False）

datasetloader加载批数据过程：
代码见dataloader.py

P16 神经网络的基本骨架-nn.Module的使用

代码见nn_module.py

input -> nn -> output，其中使用nn模型的时候，会自动调用__call__()方法，call()方法里面又调用了forword()方法，所以在继承一个nn模型的时候，要重写它的__init__()方法和__forword()__方法。

P17 土堆说卷积操作（可选看）

torch.nn模块会用就可以，相对于方向盘。
torch.functional模块不需要掌握，相对于齿轮。

卷积原理的保姆级教程。
代码见nn_conv.py，使用torch.nn.functional模块。

P18 神经网络-卷积层

conv2d常用参数：

in_channels (int) – 输入通道数，RGB图像就是三通道。

out_channels (int) – 输出通道数，也就是卷积核的个数，输入通道不为1的情况，

kernel_size (int or tuple) – 卷积核大小，比如3就代表3×3的卷积核。

stride (int or tuple, optional) – 步长，卷积完成一次计算后，卷积核移动多少步。

padding (int, tuple or str, optional) – 填充，比如1就代表图像外围加一圈数据，默认都是0。

padding_mode (string, optional) – 填充模式，“零”、“反射”、“复制”或“圆形”。 默认值：‘零’ 。

dilation (int or tuple, optional) – 内核元素之间的间距 . Default: 1，具体这里介绍Dilated convolution animations

groups (int, optional) – 从输入通道到输出通道的阻塞连接数。 Default: 1

bias (bool, optional) –偏置，如果为 True，则向输出添加可学习的偏差。 默认值：真

P19 神经网络-最大池化的使用

class
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

ceil_mode – 对于float型，向上取整ceil还是向下取整floor。

代码见nn_maxpool.py

P20 神经网络-非线性激活

关于RELU，原始数据是否原地操作：

P21 神经网络-线性层及其他层介绍

代码见nn_linear.py

视频18：58左右运动代码出错，是因为最后一个batch的大小<batch_size的大小，应该要在datasetloader（）参数中设置drop_last=True。

P22 神经网络-搭建小实战和Sequential的使用

以下是这个模型的代码，Sequential的作用就是简化代码块1，把代码块1装进去Sequential容器里，就是代码块2的代码了，然后代码块1就可以删除了。

这里用tensorboard，可以得到非常牛逼的模型结构图

P23 损失函数与反向传播

代码见nn_loss.py和nn_loss_network.py

由于loss()函数接收的数要是float类型，所以传入tensor数据的时候，要把tensor()参数中的dtype=torch.float32

P24 优化器（一）

代码见nn_optim.py

# 优化器通常设置模型的参数，学习率等
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)for input, target in dataset:#把上一次计算的梯度清零optimizer.zero_grad()output = model(input)loss = loss_fn(output, target)# 损失反向传播，计算梯度loss.backward()# 使用梯度进行学习，即参数的优化optimizer.step()

P25 现有网络模型的使用及修改

出名的模型才会有现有的
代码见model_pretrained.py

P26 网络模型的保存与读取

代码见model_save.py和model_load.py

P27 完整的模型训练套路（一）

代码见model.py和train.py

format函数的用法：

print("-------第 {} 轮训练开始-------".format(3))输出：-------第 3 轮训练开始-------

详细见：Python format 格式化函数

P28 完整的模型训练套路（二）

代码见train.py

查看验证集

torch.no_grad函数：禁用梯度计算的上下文管理器。
当您确定不会调用 Tensor.backward() 时，禁用梯度计算对于推理很有用。 它将减少原本需要 requires_grad=True 的计算的内存消耗。

torch.no_grad函数在用验证集的测试性能的时候使用，可以使得测试的过程中，不会计算用于反向传播的梯度，减小消耗。

P29 完整的模型训练套路（三）

在pytorch官网中ctrl+F搜索

torch.nn.module.train()

将模块设置为训练模式。

这仅对某些模块有任何影响。 如果它们受到影响，请参阅特定模块的文档以了解其在培训/评估模式下的行为的详细信息，例如 Dropout、BatchNorm 等

torch.nn.module.eval()

将模块设置为评估模式。

这仅对某些模块有任何影响。 如果它们受到影响，请参阅特定模块的文档以了解其在培训/评估模式下的行为的详细信息，例如 Dropout、BatchNorm 等

这相当于 self.train(False)。

P30 利用GPU训练（一）

代码见train_gpu_1.py

使用以下句式进行gpu加速：

if torch.cuda.is_available():tudui = tudui.cuda()

使用time模块来计时

使用谷歌、天池的GPU加速

P31 利用GPU训练（二）

代码见train_gpu_2.py

使用以下句式进行gpu加速：

device = torch.device("cuda")
# Tudui是一个神经网络模型
tudui = Tudui()
tudui = tudui.to(device)

P32 完整的模型验证套路

代码见test.py

P33 【完结】看看开源项目

06：00开始看，如何读懂github上面的代码

这篇关于PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---