pytorch

• dataset
  • 每一个数据以及其标签
  • 一共多少数据
• dataloder 提供不同的格式

tensorboard --logdir="dataloader"
复制

输入

• PIL Img.open()

• tensor Totensor

• naddary cv.imread

• 关注输入和输出
• 多看官方文档
• 关注方法需要什么参数
  • args
• 不知道输出什么类型
  • print
  • print(type)
  • debug 重点中重点

train_set=torchvision.datasets.CIFAR10(root="./dataset",train=True,transform=dataset_transform,download=True)
复制

• dataset_transform=torchvision.transforms.Compose([torchvision.transforms.ToTensor()])
  复制

test_loader = DataLoader(dataset=test_data,batch_size=4,shuffle=True,num_workers=0,drop_last=False)#drop_last是否删掉最后一栏
复制

• module 所有要进行的修改都要继承这个类
• 最终要两个:
  • init 继承
  • forward函数

• 卷积操作实质
  • 控制横向或者纵向走,输入一个turple
  • 卷积核 #重点复习

    • 

    • import torch.nn.functional as F
      input=torch.reshape(input,(1,1,5,5))
      kernel=torch.reshape(kernel,(1,1,3,3))
      
      output=F.conv2d(input,kernel,stride=1)
      复制

  • 卷积padding=1
    • 
• 神经网络:卷积层
  • 卷积层 output=2 点乘求和
    • 

    • self.conv1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)
      复制

• 神经网络:最大池化的使用 最大值函数
  • 作用:保持最大特征
  • 
    id:: 6475b965-b338-4a06-951b-0cd8ed9cf70c
  • maxpool2d stride默认kernel
• 神经网络:非线性激活
  • padding曾:进行填充
  • 
• 神经网络:线性层以及其它层介绍
  • 正则化层(用得少)
  • recurrent层常用语文字识别
  • transformers层
  • 线性层 linear
  • dropout layer
• 神经网络:搭建小实战
  • sequence真的好用
  • CIFAR10model
    • 
    • 第一步：计算padding
      • 
• 损失函数和反向传播 #重点复习
  • 重点,处理分类问题 CROSSENTROPYLOSS
  • 损失函数的两个作用
    • 1.为实际输出和目标之间的差距
    • 2.为我们更新输出提供一定的依据 grad
      • 如何使用？优化器
      • 利用loss
      • optimizer # TORCH.OPTIM
        • 三步走:
          • 调用优化器
          • 梯度清零+反向传播
          • step,模型调优

        • optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
          复制

  • 梯度下降法：
    • 达到最优解

• 可以print看内部结构
• 1.add
• 2.类似于链表操作

• 保存全部法
• 保存参数法

• torch.save(vgg16.state_dict(),"vgg16_method2.pth")
  dict1=torch.load("vgg16_method2.pth")
  vgg16.load_state_dict(dict1)
  复制

• 同上

完整的模型训练套路 GPU训练 以CIFAAR10做一个分类问题(10分类问题)