1、数据集
(1)继承Dataset或使用tv.datasets.ImageFolder() 目标路径下有至少一个文件夹
(2)tv.transforms.Compose
(3)加载数据
(4)数据分组
class Dataset(torch.utils.data.Dataset):
def __init__(self):
super(Dataset, self).__init__()
# 获取数据路径
def __len__(self):
return len()
def __getitem__(self, item):
# 获取数据
return item
import torchvision.transforms as T
import torchvision.transforms.functional as F
transform = T.Compose([T.Scale(opt.imageSize),
T.CenterCrop((128, 128)),
T.ToTensor(),
T.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
train_set = tv.datasets.CIFAR10('./data', train=True, transform=transforms,
download=True)
data_loader = torch.utils.data.DataLoader(dataset, batch_size, num_workers, shuffle, drop_last)
2、数据（自身在CPU，返回数据在gpu）、模型（自身与返回数据均在GPU）、损失函数（没有训练的参数，放不放均可）需要放在cuda上
3、加载模型
device = t.device("cuda:0" if t.cuda.is_available() else "cpu")
if opt.net_g != '':
checkpoint = t.load(opt.net_g, map_location=device)
net_g.load_state_dict(checkpoint['state_dict'])
resume_epoch = checkpoint['epoch']
else:
for m in net_g.modules():
if isinstance(m, nn.Conv2d):
nn.init.normal_(m.weight, 0, 0.01)
# m.weight.normal_()
nn.init.constant_(m.weight, 0)
# m.weight.fill_(0)
# m.weight.zero_()
4、保存模型
t.save({
'epoch': epoch,
'state_dict': net_g.state_dict()
}, 'models/net_g.pth')
5、是否使用GPU
device = t.device("cuda:0" if t.cuda.is_available() else "cpu")
6、训练和预测
model.train()、model.eval()
7、保存图片
img = tv.utils.make_grid(img).cpu()
# 取计算图谱中的变量一定要detach
img = img.detach().numpy().transpose(1, 2, 0)
img = img * 0.5 + 0.5
plt.imshow(img)
plt.show()
to_img = T.ToPILImage()
img = to_img(img)
tv.utils.save_image(img)
8、深度学习实验流程
1、定义模型
2、加载数据
3、定义损失函数和优化器
4、训练模型
（1）、梯度清零
（2）、正向传播
（3）、计算误差
（4）、反向传播
（5）、更新参数
5、训练过程的可视化
6、测试
9、
10、
11、