深度学习项目学习

torchvision

torchvision和pytorch的关系：
torchvision是PyTorch的一个与图像处理和计算机视觉任务相关的软件包，提供了很多常用的数据集、模型架构和图像变换等功能。它内置了一些流行的计算机视觉数据集（如ImageNet、CIFAR-10等），并提供了一些预训练的模型（如ResNet、AlexNet等）。

尽管torchvision通常与PyTorch一起使用，但它独立于PyTorch。这意味着可以单独安装和使用torchvision，即使没有安装PyTorch也可以使用其中的功能。

总结起来，torchvision在某种程度上是PyTorch的一部分，因为它与PyTorch紧密集成，并通过torchvision.datasets和torchvision.models等模块提供了对PyTorch的直接访问。然而，它又被认为是独立于PyTorch的，因为它可以单独安装和使用，具有更大的灵活性和可移植性。

torchvision由以下四部分组成：

• torchvision.datasets: 一些加载数据的函数（DatasetFolder、ImageFolder、VisionDataset）常用的数据集接口（MNIST、COCO数据集等）；

• torchvision.models：包含常用的训练好的模型（含预训练模型），例如AlexNet、VGG、ResNet等；

• torchvision.transforms: 常用的图片变换，例如裁剪、缩放、旋转等；

• torchvision.utils: 其他的一些有用的方法。

torchvision.transforms.Compose()类

主要用于组合多个图片变换的操作。他允许将多个转换操作按顺序应用于输入图像，以便进行数据增强、预处理或其他图像转换操作。
示例：

import torchvision.transforms as transforms# 定义一个Compose对象，包含两个转换操作
transform = transforms.Compose([transforms.Resize((256, 256)),  # 调整图像大小为256x256像素transforms.ToTensor()  # 将图像转换为张量
])# 假设img是一个PIL Image对象
img_transformed = transform(img)

DataLoader类

DataLoader 类是 PyTorch 提供的一个用于数据加载和批量处理的工具类。它是基于 Dataset 类构建的，并为训练和测试模型提供了高效的数据加载和处理功能。
主要功能包括：

• 数据加载：可以从指定的数据集对象中加载数据。通过在构造函数中传入数据集对象，可以将数据集与 DataLoader 关联起来。
• 批量处理：可以将加载的数据划分为小批量进行处理。通过设置 batch_size 参数，可以指定每个批次中包含的样本数量。在训练过程中，通常会使用批量梯度下降法（mini-batch gradient descent）来更新模型参数。
• 数据洗牌：可以在每个 epoch（一次完整的数据集遍历）之前对数据进行洗牌，即打乱数据的顺序。这有助于提高模型的鲁棒性和泛化能力。
• 并行加载：可以使用多个子进程来并行加载数据，以加快数据加载的速度。通过设置 num_workers 参数，可以指定用于数据加载的子进程数量。根据系统配置和需求，可以适当增加子进程数量，以充分利用计算资源。

数据预取：DataLoader 可以预先加载下一个批次的数据，以减少训练时的等待时间。通过设置 prefetch_factor 参数，可以指定要预取的批次数量。预取数据可以提前准备好，以便在模型进行训练时能够快速提供数据。

使用 DataLoader 类可以极大地简化数据加载和处理的过程，并提高训练和测试模型的效率。它提供了许多灵活的参数和功能，可以根据需求进行配置和调整，以实现最佳的训练效果。

Data = DataLoader(dataset=train_data, batch_size=50, shuffle=True, num_workers=0)

使用方法：
1.需要创建一个数据集对象，可以使用 PyTorch 中的 Dataset 类或自定义数据集类 使用__getitem__确定自己要的数据
2.创建并实例化DataLoader

torch.nn

torch.nn是pytorch中自带的一个函数库，提供了构建神经网络模型所需的各种类和函数。
使用之前需要先引入

mport torch.nn as nn
import torch.nn.functional as F

torch.nn.Moudle

nn.Module 是 PyTorch 中神经网络模型的基类，用于定义自定义的神经网络模型。

所有的神经网络模型都应该继承自 nn.Module 类，并实现其中的 forward() 方法。在 forward() 方法中定义了数据在模型中的前向传播流程，即输入数据如何通过各个层进行计算和变换，最终得到输出结果。

nn.Module 类提供了一些常用的功能和方法，包括：

parameters()：返回模型中所有可学习参数的迭代器。
to(device)：将模型移动到指定的设备（如 GPU 或 CPU）上进行计算。
train() 和 eval()：用于切换模型的训练模式和评估模式。在训练模式下，模型会启用 Dropout 和批归一化层等训练相关操作；在评估模式下，这些操作会被禁用。
state_dict() 和 load_state_dict()：用于保存和加载模型的状态字典（包含模型的参数和缓冲区）。
zero_grad()：将模型的梯度缓冲区清零。
通过继承 nn.Module 类，可以灵活地定义各种自定义的神经网络模型，并结合 PyTorch 提供的丰富的层和函数来构建复杂的模型架构。

torch.nn.Sequential模型容器

是PyTorch中用于构建网络模型的容器。它允许我们按照顺序组合多个网络层，并将它们作为一个整体进行前向传播。
ex:

self.conv2 = nn.Sequential(nn.Conv2d(in_channels=16,out_channels=32,kernel_size=3,stride=2,),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(kernel_size=2),)

nn.CrossEntropyLoss()交叉熵损失函数

一般用于多类别分类任务，该函数会自动将模型的最后一层输出应用 softmax 操作，并计算预测结果与目标标签之间的交叉熵损失。

criterion = nn.CrossEntropyLoss().to(device)

numpy

numpy.random. shuffle(x)

对数据进行随机重排，np.random.shuffle() 函数用于随机打乱数组或列表的顺序。它接受一个可迭代对象作为参数，并在原地修改该对象的顺序。
这个操作通常在训练模型之前进行，可以增加样本之间的独立性和随机性，有助于模型过拟合。