小土堆pytorch
Dataset的使用
torch.utils.data.Dataset：数据集的抽象类，需要自定义并实现__len__（数据集大小）和__getitem__（按索引获取样本）。
tensorboard 主要是训练过程可视化
transform 图像转化
图片->tensor
trans = transforms.ToTensor()用法：首先要创建一个自己的工具 然后再使用
即：先定义再调用
torchvision
dataloader用于从 Dataset 中按批次（batch）加载数据
batch_size: 每次加载的样本数量。shuffle: 是否对数据进行洗牌，通常训练时需要将数据打乱。drop_last: 如果数据集中的样本数不能被batch_size整除，设置为True时，丢弃最后一个不完整的 batch
torch.nn
super是为了告诉 Python "先执行父类的初始化代码，然后再执行我的初始化代码"
卷积操作：使用卷积核（Kernel）在输入图像上滑动，提取特征，生成特征图（Feature Maps）。
一个矩阵+卷机核 通过相乘然后累加
stride就是步长 padding是填充
关于in_channel和out_channel
池化：通常在卷积层之后，通过最大池化或平均池化减少特征图的尺寸，同时保留重要特征，生成池化特征图（Pooled Feature Maps）。
sequential 方便建立层级结构
损失函数与反向传播
损失函数衡量目标和输出的差距 反向传播通过计算梯度 来更新参数实现loss最小化
模型保存
训练套路：准备数据、加载数据、准备模型、设置损失函数、设置优化器、开始训练、最后验证、结果聚合展示
Dataset的使用
torch.utils.data.Dataset是PyTorch中用于表示数据集的抽象类，自定义数据集需继承该类并实现__len__和__getitem__方法。
TensorBoard训练可视化
TensorBoard通过记录训练过程中的标量（如损失、准确率）、图像、计算图等实现可视化。
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("logs") # 日志目录
writer.add_scalar("Loss/train", loss.item(), epoch) # 记录损失
writer.close()
图像转换（Transform）
torchvision.transforms提供常见的图像预处理操作，需将图像转换为张量（Tensor）并归一化：
from torchvision import transforms
transform = transforms.Compose([transforms.ToTensor(), # PIL图像或NumPy数组 -> Tensortransforms.Normalize(mean=[0.5], std=[0.5]) # 归一化
])
DataLoader加载数据
torch.utils.data.DataLoader实现批量加载和数据打乱：
batch_size：每批次样本数。shuffle：训练时通常设为True以打乱数据。drop_last：当样本数不能被batch_size整除时，丢弃末尾不完整批次。
from torch.utils.data import DataLoader
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=False)
继承与super()
在自定义模型时，super().__init__()确保父类的初始化逻辑优先执行：
class MyModel(nn.Module):def __init__(self):super().__init__() # 调用父类nn.Module的初始化self.conv = nn.Conv2d(3, 64, kernel_size=3)
卷积操作
- 卷积核（Kernel）：滑动窗口提取特征，生成特征图。
- Stride：滑动步长，影响输出尺寸。
- Padding：边缘填充，控制输出尺寸。
- in_channels/out_channels：输入/输出的通道数。
池化层
减少特征图尺寸，保留重要特征：
- 最大池化（MaxPooling）：取窗口内最大值。
- 平均池化（AvgPooling）：取窗口内平均值。
Sequential构建层级结构
nn.Sequential简化网络层堆叠：
model = nn.Sequential(nn.Conv2d(3, 64, kernel_size=3),nn.ReLU(),nn.MaxPool2d(2)
)
损失函数与反向传播
- 损失函数：如
nn.CrossEntropyLoss衡量预测与目标的差距。 - 反向传播：调用
loss.backward()计算梯度，优化器通过optimizer.step()更新参数。
模型保存与加载
保存模型参数或整个模型：
torch.save(model.state_dict(), "model.pth") # 仅保存参数
model.load_state_dict(torch.load("model.pth")) # 加载参数
训练流程模板
- 准备数据：定义
Dataset和DataLoader。 - 构建模型：继承
nn.Module或使用Sequential。 - 设置损失函数与优化器：如
nn.CrossEntropyLoss和torch.optim.SGD。 - 训练循环：前向传播、计算损失、反向传播、参数更新。
- 验证与测试：评估模型在验证集/测试集上的表现。
- 可视化：使用TensorBoard记录关键指标。