pytorch易忘

1、数据集

　(1)继承Dataset或使用tv.datasets.ImageFolder()  目标路径下有至少一个文件夹

　(2)tv.transforms.Compose

　(3)加载数据

　(4)数据分组

class Dataset(torch.utils.data.Dataset):
    def __init__(self):
        super(Dataset, self).__init__()
　　　　　# 获取数据路径

    def __len__(self):
        return len()

    def __getitem__(self, item):
　　　　　# 获取数据
        return item

import torchvision.transforms as T

import torchvision.transforms.functional as F

transform = T.Compose([T.Scale(opt.imageSize),
                       T.CenterCrop((128, 128)),
                       T.ToTensor(),
                       T.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

train_set = tv.datasets.CIFAR10('./data', train=True, transform=transforms,
                                download=True)

data_loader = torch.utils.data.DataLoader(dataset, batch_size, num_workers, shuffle, drop_last)

2、数据（自身在CPU，返回数据在gpu）、模型（自身与返回数据均在GPU）、损失函数（没有训练的参数，放不放均可）需要放在cuda上

3、加载模型

device = t.device("cuda:0" if t.cuda.is_available() else "cpu")

if opt.net_g != '':
    checkpoint = t.load(opt.net_g, map_location=device)
    net_g.load_state_dict(checkpoint['state_dict'])
    resume_epoch = checkpoint['epoch']

else:
    for m in net_g.modules():
        if isinstance(m, nn.Conv2d):
            nn.init.normal_(m.weight, 0, 0.01)
　　　　　　  # m.weight.normal_()
　　　　　　  nn.init.constant_(m.weight, 0)
 　　　　　　 # m.weight.fill_(0)
　　　　　　　# m.weight.zero_()

4、保存模型

t.save({
    'epoch': epoch,
    'state_dict': net_g.state_dict()
}, 'models/net_g.pth')

5、是否使用GPU

device = t.device("cuda:0" if t.cuda.is_available() else "cpu")

6、训练和预测

　model.train()、model.eval()

7、保存图片

img = tv.utils.make_grid(img).cpu()
# 取计算图谱中的变量一定要detach
img = img.detach().numpy().transpose(1, 2, 0)
img = img * 0.5 + 0.5
plt.imshow(img)
plt.show()

to_img = T.ToPILImage()
img = to_img(img)
tv.utils.save_image(img)

8、深度学习实验流程

　1、定义模型

　2、加载数据

　3、定义损失函数和优化器

　4、训练模型

　（1）、梯度清零

　（2）、正向传播

　（3）、计算误差

　（4）、反向传播

　（5）、更新参数

　5、训练过程的可视化

　6、测试

9、

10、

11、