《深度学习之PyTorch实战计算机视觉》笔记
- 以下均为个人观点啦~ 随看随更
目录
书籍目录：
笔记1：数据预览和数据装载 书6.4
原书代码整理：
执行结果：
代码详解：
transforms.Compose（） 多种数据变换，容器
transforms.ToTensor() 数据类型转换
transforms.Normalize() 标准化变换
torch.utils.data.DataLoader（）数据装载
iter（）生成迭代器
next（）返回迭代器的下一个项目
torchvision.utils.make_grid() 将一个批次的图片构造成网格模式
transpose() 改变维度顺序
我遇到的坑
首先说，感觉这本书超级适合新手入门的！！！就是从python开始那种
我是已经乱七八糟的学过python，包括一些plt、numpy、opencv，复习了一遍线性代数，尝试学习过一丢丢神经网络才拿到这本书的，所以感觉嗯，1/3 的内容直接略过了（每当这种情况我都有点心疼书钱）但是对于新手我觉得这本书很好的，内容都是有用的，方面都比较全，虽然不是很详细，但是可以对应再查嘛
书籍目录：
- 第一章 浅谈人工智能、神经网络和计算机视觉 P1~P14 相当于概论啦
- 第二章 相关的数学知识 矩阵 、导数 （居然列出了教科书上的公式们，还带简单例题）
- 第三章 神经网络基础 恍然大悟的感觉，一下子懂了几个之前看别的书怎么也没懂得点
- 第四章 卷积神经网络 没看呢，待更
- 第五章 python基础 什么列表切片啥特基础的，还有numpy，plt，甚至有Anaconda的安装...
- 第六章 pyTorch基础 没看呢，待更
- 第七章 迁移学习 没看呢，待更
- 第八章 图像风格迁移实战 就是想学这个才买的哈哈， 没看呢，待更
- 第九章 多模型融合 没看呢，待更
- 第十章 循环神经网络 没看呢，待更
- 第十一章 自动编码器 没看呢，待更
笔记1：数据预览和数据装载 书6.4
原书代码整理：
import torch
from torchvision import datasets,transforms
import torchvision
from torch.autograd import Variable
import numpy as np
import cv2
transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])
data_train=datasets.MNIST(root="./data", transform=transform, train=True,
download=True
)
data_test=datasets.MNIST(root="./data", transform=transform, train=False)
data_loader_train=torch.utils.data.DataLoader(dataset=data_train,
batch_size=16,
shuffle=True)
data_loader_test=torch.utils.data.DataLoader(dataset=data_test,
batch_size=16,
shuffle=True)
images,labels=next(iter(data_loader_train))
img=torchvision.utils.make_grid(images)
img=img.numpy().transpose(1,2,0)
#cv2.imshow('win',img);
std=[0.5,0.5,0.5]
mean=[0.5,0.5,0.5]
img=img*std+mean
print([labels[i] for i in range(16)])
cv2.imshow('win',img);
key_pressed=cv2.waitKey(0);执行结果：
代码详解：
引入包就不说了 *略
#数据变换
transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])transforms.Compose（） 多种数据变换，容器
transforms.Compose（） 相当一种容器，对多种数据变换组合，实例代码中进行了两种变换
transforms.ToTensor() 数据类型转换
将数据转换为Tensor类型，才能再Pytorch中进行计算
transforms.Normalize() 标准化变换
#下载训练集和测试集
data_train=datasets.MNIST(root="./data",
transform=transform,
train=True,
download=True
)
data_test=datasets.MNIST(root="./data",
transform=transform,
train=False)
下载训练集和测试集，下载到了当前路径中，实现下载的代码是torchvision.dataset.MNIST
transform用于指定变换，transform之前已经定义过
train=True 代表载入的是数据集的训练集部分，=False：测试集部分
#数据装载
data_loader_train=torch.utils.data.DataLoader(dataset=data_train, #指定数据集
batch_size=64,
shuffle=True)
data_loader_test=torch.utils.data.DataLoader(dataset=data_test, batch_size=64, shuffle=True)torch.utils.data.DataLoader（）数据装载
batch_size 需要将图片打包送给模型训练，设定每个包的大小（图片数量）
shuffle 是否将图片打乱
images,labels=next(iter(data_loader_train))iter（）生成迭代器
output： 
next（）返回迭代器的下一个项目
output：
#网格变换前，四个维度（batch_size,channel,height,weight）
img=torchvision.utils.make_grid(images) #三个维度 （channel,height,weight）
img=img.numpy().transpose(1,2,0) #改变维度顺序（height,weight，channel）torchvision.utils.make_grid() 将一个批次的图片构造成网格模式
一个批次的图片整合在了一起（如执行结果），减去了batch_size维度
transpose() 改变维度顺序
（channel,height,weight） --> img=img.numpy().transpose(1,2,0) -->（height,weight，channel）
std=[0.5,0.5,0.5]
mean=[0.5,0.5,0.5]
img=img*std+mean这步处理我没有懂，列出前后对比吧
#打印这批次图片的标签
print([labels[i] for i in range(16)])
#显示
cv2.imshow('win',img);
key_pressed=cv2.waitKey(0);书中显示是用的plt，但是我的plt不显示图片。。。
我遇到的坑
1.torchvision 我用的是windows，而Anaconda Cloud 里torchvision没有win版本的，其实直接用 pip install torchvision 就可以
但是我的安装成功了，import torchvision却会报错，原以为我之前都是conda安装的，所以pip安装不在一个解析器下所以不好使，但是经历了一天半（包括想放弃win而安装ubuntu虚拟机吧啦吧啦）后，终于发现哪出了问题：
我的pillow 包版本低，所以找不到image模块 所以 conda update pillow 之后就ok了，import torchvision终于正常
2. 我用matplotlib中的pyplot时（plt） plt.imshow()不显示图片，受到之前的教训，把matplotlib升级试了试，问题来了，在它升级过程中，不知道它和pillow有什么关系，竟将pillow降级了，可想而知，我的torchvision又不能用了
所以最后又把pillow给更新了，用cv2代替plt的显示功能