PyTorch深度学习快速入门

1.PyTorch环境配置及安装
2.python编辑器的选择、安装、配置（pycharm、JupyTer安装）
3.为什么torch.cuda.is_available()返回false
4.python学习中两大法宝函数（也可用在pytorch）
5.pycharm和jupyter（究bi特）使用及对比
6.pytorch加载数据初认识
7.dataset类代码实战
8.TensorBoard的使用（一）
9.TensorBoard的使用（二）
10.Transforms的使用（一）
11.Transforms的使用（二）
12.常见的Transforms（一）
13.常见的Transforms（二）
14.torchvision中的数据集的使用
15.DataLoader的使用

1.PyTorch环境配置及安装

在这里插入图片描述

https://repo.anaconda.com/

在开始菜单打开Anaconda prompt
在命令行窗口看见base就是安装成功

我们要检查显卡的驱动是否正确安装

看到GPU正常显示型号，则显卡驱动已经正确安装了

在正确安装pytorch之前
我们要学会如何正确管理环境
因为我们之后在不同的项目、代码需要的环境是不一样的
有的代码需要pytorch0.4、有的需要1.0
conda create -n pytorch python=3.6
在这里插入图片描述

n表示name的意思，pytorch就是这个环境的名字
python=3表示要安装的包
在这里插入图片描述

conda activate pytorch用来激活这个环境
左边括号里面的就是环境的名称

pip list用来查看环境中有哪些工具包
在这里插入图片描述
但其中没有我们需要的pytorch
下面我们开始安装pytorch

在这里插入图片描述

我们需要知道自己GPU的型号

在这里插入图片描述

没有显卡 CUDA选择None

在这里插入图片描述

conda9.2以上要确保我们的驱动版本大于396.26
我们要先查询一下自己的驱动版本nvidia-smi
在这里插入图片描述

在这里插入图片描述
conda install pytorch torchvision cudatoolkit=9.2 -c pytorch -c defaults -c numba/label/dev

在这里插入图片描述

使用python
import torch
观察pytorch是否安装成功
在这里插入图片描述

使用torch.cuda.is_available()这个命令观察是否可以使用GPU
在这里插入图片描述
显示false是因为cuda下错版本了，要与自己的电脑对应起来
比如我的
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

在这里插入图片描述

3060最低要11.1的cuda

2.python编辑器的选择、安装、配置（pycharm、JupyTer安装）

在这里插入图片描述

选择地址和环境

下面检测一下pycharm是否成功导入了conda的运行环境
torch.cuda.is_available()

jupyter是默认安装在外面的base环境中的
但我们的base环境是没有安装pytorch的
所以这个jupyter无法使用pytorch
我们可以在base环境中安装pytorch或者在pytorch环境中安装jupyter
我们使用第二种方法
先进入pytorch环境
conda activate pytorch
在这里插入图片描述
我的pytorch环境中没有

使用conda install nb_conda安装
在这里插入图片描述

安装完成后输入jupyter notebook
在这里插入图片描述

在这里插入图片描述
http://localhost:8888/?token=f0d9cb3f4543dceeb4737d957381b4c3ab37070ce474b819

在这里插入图片描述

在这里插入图片描述

点击shift+回车运行代码块
torch.cuda.is_available()

如果是中文用户名可能会运行不了
在环境变量下做如下修改
在这里插入图片描述

%systemroot%\TEMP
在这里插入图片描述
%USERPROFILE%\AppData\Local\Temp

在这里插入图片描述

3.为什么torch.cuda.is_available()返回false

在这里插入图片描述

4.python学习中两大法宝函数（也可用在pytorch）

在这里插入图片描述

输出只有一行的，可以点击此刻页面最左侧第2列第一个按钮“Soft-warp”

在这里插入图片描述
查看torch.cuda
我们可以看见之前用的is.available

有_表示它是一个函数

5.pycharm和jupyter（究bi特）使用及对比

首先是pycharm
在这里插入图片描述

如何确定这个文件使用的是我们的pytorch的cuda环境呢

新建一个python文件

如何运行这个文件
我们要添加相应的python解释器

点击确定就OK了

在这里插入图片描述

我们也可以直接在python控制台
在这里插入图片描述

在里面创建一个新的文件
先选择相应的环境

在这里插入图片描述

6.pytorch加载数据初认识

在这里插入图片描述
https://pan.baidu.com/s/1jZoTmoFzaTLWh4lKBHVbEA 密码: 5suq
可以下载一下数据集

这个数据集分为train（训练数据集）和val（验证数据集）

下面是train
在这里插入图片描述

在这里插入图片描述
这是一个识别蚂蚁和蜜蜂对他进行二分类的一个数据集
其中ants和bees这两个文件的名称就是label

还有其他的形式
在这里插入图片描述
告诉我们训练的图片是什么样子

告诉我们训练的label是什么样子

或者我们也可以将label直接写在图片名称上面

下面说明如何使用dataset类
在这里插入图片描述
或者

在这里插入图片描述

7.dataset类代码实战

在这里插入图片描述

使用控制台进行一个调试
在这里插入图片描述

将数据集放到项目中，并且重命名为dataset

我们要获取图片的地址
根据def getitem(self, idx):中的idx这个索引去获取
先去获取所有图片地址的一个列表
使用OS去获取

在这里插入图片描述

在这里插入图片描述
上面我们就是获得了所有图片的地址

下面我们要获取每一个图片
在这里插入图片描述

下面考虑这个数据有多长
在这里插入图片描述

如果我们想要获取蜜蜂的数据集
在这里插入图片描述
我们训练数据集就是这两个数据集的一个集合
如果我们将数据集进行另外一种形式的表达

每一张图片对应的label

在这里插入图片描述

8.TensorBoard的使用（一）

在这里插入图片描述
tranform可以我们的图像统一到同一个尺寸
或者对图像中的每一个数据进行一个类的转换

在这里插入图片描述
我们一般想知道我们的训练过程中的loss是如何变化的
通过这个loss知道我们的训练过程是否安装我们预想的变化
我们也可以从相应的loss中去看一下我们选择什么样的模型

在这里插入图片描述
上面这个图就是在外面的2974步输入的图像

这个TensorBoard可以帮助我们探究一些模型在不同的阶段是如何输出的

在这里插入图片描述
首先打开项目文件夹，设置环境

在这里插入图片描述

查看如何使用
在这里插入图片描述

在这里插入图片描述

tag就是图表的title

scalar_value是我们对应的数值，y轴

global_step是我们训练到多少步，x轴

在这里插入图片描述

在这里插入图片描述

我们没有还没有安装tensorboard这个包

如果在一台服务器上有好几个人训练
可能端口会冲突
我们可以指定一下这个端口
tensorboard --logdir=logs

write写入一个新的事件当中
其实也进入了上一个事件当中
就会出现上面的情况

第一种方法
我们可以将对应的logs下面的文件全部删除
在这里插入图片描述

第二种方法
在这里插入图片描述

9.TensorBoard的使用（二）

在这里插入图片描述

在这里插入图片描述

其中的img_tensor要么是torch_tensor型,要么是numpy.array型。。。

我们这边的图片类型是不满足要求的

我们安装一下opencv
在这里插入图片描述

转换为numpy型

在这里插入图片描述

10.Transforms的使用（一）

在这里插入图片描述
transforms主要用来对图片进行一些变换

左边的structure可以看它的结构

在这里插入图片描述

我们上面就是将img类型的图片转换为我们tensor类型的一个图片

11.Transforms的使用（二）

我们为什么需要tensor这个数据类型
在这里插入图片描述
tensor包装了我们神经网络所需要的一些参数
我们在神经网络中一般先把数据转化为tensor型，然后进行一些训练

在这里插入图片描述
我们上面学习了PIL Image类型的读取
那么如何读取numpy类型的呢
最常用的就是使用opencv

我们安装一下OpenCV

pip install opencv-python（ conda install py-opencv）

在这里插入图片描述

12.常见的Transforms（一）

在这里插入图片描述

compose是将图片进行一个中心的裁剪然后转换为tensor

_ _ cal l_ _ 可以直接调用

在这里插入图片描述

在这里插入图片描述
输入必须是一个PIL Image或者numpy类型转换为一个tensor类型

在这里插入图片描述

归一化
输入必须是一个tensor类型
用平均值和标准差对张量图像进行归一化

输入的img_tensor有三个通道，人为设置均值和标准差都是0.5，
然后利用公式算的输出值img_norm

在这里插入图片描述
下面就是我们归一化后的一个结果

一般图像多少RGB，三通道

在这里插入图片描述

13.常见的Transforms（二）

在这里插入图片描述

输入是PIL Image类型
在这里插入图片描述

尺寸由原来的3200 * 3200 变为 512 * 512
输出的是PIL Image类型
如果我们想要在tensorboard进行显示的话
我们要将img_resize变为totensor的一个数据类型

在这里插入图片描述

当你对一个图像应用trans_compose变换时，它首先会使用trans_resize_2进行尺寸调整，然后使用trans_totensor将PIL图像转换为PyTorch的Tensor。

这个参数是个列表
其实就是将resize变换和totensor合并了
所以列表两个参数代表这两个过程合并。

在这里插入图片描述

下面我们看另外一个方法
随机裁剪
在这里插入图片描述

14.torchvision中的数据集的使用

介绍如何将数据集和我们的transforms结合在一起
在科研当中一些标准的数据集如何去下载、组织、查看、使用
在这里插入图片描述
下面是官网提供的数据集

比如其中的CIFAR10数据集一般用于物体识别
在这里插入图片描述

root表示数据集在什么位置
train为true的话表示为训练集、false表示为测试集
transform表示我们想对训练的数据集进行一个什么样的变化
target_transform表示对target进行一个transform
download如果为true的话，会从网上自动给我们下载这个数据集

在这里插入图片描述
torchvision.models中会提供一些预训练好的神经网络模块

介绍如何将数据集和我们的transforms结合在一起

在这里插入图片描述
这里会在我们的文件夹下创建dataset，并且下载CIFR10数据集到其中

前面是我们的输入图片
后面是我们的target类别，这里将我们的真实类别表示为一个数字3
如果target为0，就是airplane

在这里插入图片描述

如果我们想要看一下这个图片
在这里插入图片描述

下面介绍一下CIFAR10这个数据集
6万张32 * 32像素的彩色图片，且分为10个类别
5w训练，1w测试
在这里插入图片描述
下面和我们的transform进行联动
因为我们的原始图片是PIL Image
如果要给我们的pytorch进行使用，需要转为tensor数据类型
这里我们就使用transform