PyTorch深度学习入门记录3

两大法宝

将PyTorch比作一个工具箱

dir()函数：了解工具箱里有什么东西

实战

dir(torch.cuda)
Out[10]: 
['Any','BFloat16Storage','BFloat16Tensor','BoolStorage',
...]

help()函数：了解工具的用法和作用（注意help内函数去掉()）

help(torch.cuda.is_available)
Help on function is_available in module torch.cuda:
is_available() -> boolReturn a bool indicating if CUDA is currently available.

启动jupyter notebook时注意若pytorch位于D盘，进去jupyter notebook时要在后面加上D:

数据加载

pycharm项目终端安装opencv（然而视频并没有用到）

数据的一些读取方式

from PIL import Image
img_path = "D:\\PyTorch_learning\\dataset\\train\\ants\\0013035.jpg"
img = Image.open(img_path)
img.size
img.show()

实战代码

数据集下载链接

from torch.utils.data import Dataset  # 从PyTorch导入Dataset类，用于创建自定义数据集
from PIL import Image  # 从PIL库导入Image类，用于处理图像
import os  # 导入os模块，用于处理文件路径class MyData(Dataset):  # 定义一个名为MyData的类，继承自Datasetdef __init__(self, root_dir, label_dir):  # 初始化方法，接收两个参数：根目录和标签目录self.root_dir = root_dir  # 保存根目录到类的实例变量self.label_dir = label_dir  # 保存标签目录到类的实例变量self.path = os.path.join(self.root_dir, self.label_dir)  # 拼接根目录和标签目录，得到完整路径self.img_path = os.listdir(self.path)  # 获取该路径下所有文件的列表，保存为图像路径列表def __getitem__(self, idx):  # 定义获取元素的方法，接收索引idx作为参数img_name = self.img_path[idx]  # 根据索引获取图像文件名# 拼接完整的图像文件路径img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)img = Image.open(img_item_path)  # 打开图像文件，得到图像对象label = self.label_dir  # 标签就是当前的标签目录名（ants或bees）return img, label  # 返回图像和对应的标签def __len__(self):  # 定义获取数据集长度的方法return len(self.img_path)  # 返回图像路径列表的长度，即图像的数量root_dir = "dataset/train"  # 定义根目录路径：数据集的训练集目录
ants_label_dir = "ants"  # 定义蚂蚁图像的标签目录名
bees_label_dir = "bees"  # 定义蜜蜂图像的标签目录名
ants_dataset = MyData(root_dir, ants_label_dir)  # 创建蚂蚁数据集实例
bees_dataset = MyData(root_dir, bees_label_dir)  # 创建蜜蜂数据集实例train_dataset = ants_dataset + bees_dataset  # 将蚂蚁和蜜蜂数据集合并成一个训练数据集img, label = train_dataset[123]
img.show() # 展示蚂蚁图片
print(label)img, label = train_dataset[124]
img.show() # 展示蜜蜂图片
print(label)