小土堆pytorch学习笔记001

这篇具有很好参考价值的文章主要介绍了小土堆pytorch学习笔记001。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

1、Pytorch环境的配置与安装。

2、pytorch编辑器的选择

(1)pycharm (下载社区版)

(2)jupyter (可以交互)

3、为什么torch.cuda.is_available()返回False

4、python学习中的两大法宝函数

(1)dir() 函数:打开、看见

(2)help()函数:说明书

5、Pycharm 及Jupyter的使用对比:

(1)Pycharm文件

(2)Pycharm控制台

(3)Jupyter:

6、Pytorch加载数据初认识+实战


1、Pytorch环境的配置与安装。

(1)建议安装:Anaconda 

(2)检查显卡:GPU

(3)管理环境(不同版本的pytorch 版本不同):

conda create -n pytorch python=3.6

(4)检测自己的电脑是否可以使用:

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

2、pytorch编辑器的选择

(1)pycharm (下载社区版)

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

(2)jupyter (可以交互)

启动本地的jupyter : 

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

3、为什么torch.cuda.is_available()返回False

(1)检查自己的电脑是否支持GPU(可以用一些电脑管家,eg: 鲁大师等查看)

4、python学习中的两大法宝函数

(1)dir() 函数:打开、看见

(2)help()函数:说明书

# 例子:
torch.cuda.is_available()

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

5、Pycharm 及Jupyter的使用对比:

Jupyter:(以块为运行单位)

①shift + 回车

# 例子:
print("Start")
a = 'hello world'
b = 2019
c = a + b
print(c)

(1)Pycharm文件

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

代码是以块为一个整体运行的话;

整改完后,从头开始执行。

python文件的块是所有行的代码。

(2)Pycharm控制台

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

整改完后,会从错误的地方执行。

以每一行为块,运行的。

(3)Jupyter:

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

整改完后,从错误的地方开始运行。

以任意行为块运行的。

6、Pytorch加载数据初认识+实战

Dataset:提供一种方式去获取数据及其label。

                ①如何获取每一个数据及其label。

                ②告诉我们总共有多少个数据。

Dataloader:为后面的网络提供不同的数据形式。

step01:下载数据集。

step02:使用数据集,代码如下:

文件夹目录:

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记

from torch.utils.data import Dataset
from PIL import Image
import os


class MyData(Dataset):
    def __init__(self, root_dir, label_dir):
        # self.root_dir = 'pytorch_xiaotudui/bee_ant/dataset'
        # self.label_dir = 'ants'
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir, self.label_dir)  # 路径拼接
        self.img_path = os.listdir(self.path)   # 获取到图片下的所有地址,以列表的形式展示

    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img, label

    def __len__(self):
        return len(self.img_path)


# 获取蚂蚁的数据集
root_dir_out = 'pytorch_xiaotudui/bee_ant/dataset'
ants_label_dir = 'ants'
ants_dataset = MyData(root_dir_out, ants_label_dir)

# 获取蜜蜂的数据集
bees_label_dir = 'bees'
bees_dataset = MyData(root_dir_out, bees_label_dir)


# 两个数据集的集合
train_dataset = ants_dataset + bees_dataset  # 蚂蚁数据集在前,蜜蜂数据集在后

 运行结果:

小土堆pytorch学习笔记001,深度学习,pytorch,学习,笔记文章来源地址https://www.toymoban.com/news/detail-822458.html

到了这里,关于小土堆pytorch学习笔记001的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Pytorch深度学习 - 学习笔记

    dir() :打开,看见包含什么 help() :说明书 pytorch中读取数据主要涉及到两个类 Dataset 和 Dataloader 。 Dataset可以将可以使用的数据提取出来,并且可以对数据完成编号。即提供一种方式获取数据及其对应真实的label值。 Dataloader为网络提供不同的数据形式。 Dataset Dataset是一个抽

    2024年02月07日
    浏览(44)
  • 土堆学习笔记——P28完整的模型训练套路(二)

    怎么知道模型有没有训练好?有没有达到想要的需求? 解决方法:在每轮训练之后加一个测试,在测试数据集上看效果(看损失之类的)。 注意:在测试时候不调优,仅为看效果。 还可以用tensorboard可视化损失 截图最后一行没写完[false, true].sum()=1 这个值/个数 Argmax使用 Ar

    2024年01月17日
    浏览(40)
  • 《Python深度学习基于Pytorch》学习笔记

    有需要这本书的pdf资源的可以联系我~ 这本书不是偏向于非常详细的教你很多函数怎么用,更多的是交个基本使用,主要是后面的深度学习相关的内容。 1.Numpy提供两种基本的对象:ndarray(n维数组对象)(用于储存多维数据)和ufunc(通用函数对象,用于处理不同的数据)。

    2024年02月09日
    浏览(42)
  • 《动手学深度学习(PyTorch版)》笔记2

    让计算机实现微分功能, 有以下四种方式: - 手工计算出微分, 然后编码进代码 - 数值微分 (numerical differentiation) - 符号微分 (symbolic differentiation) - 自动微分(automatic differentiation) 深度学习框架通过 自动微分 来加快求导。 实际中,根据设计好的模型,系统会构建一个 计算

    2024年01月24日
    浏览(47)
  • 《动手学深度学习(PyTorch版)》笔记1

    data 每个数据集由一个个样本(example, sample)组成,大多时候,它们遵循独立同分布(independently and identically distributed, i.i.d.)。 样本有时也叫做数据点(data point)或数据实例(data instance),通常每个样本由一组称为特征(features,或协变量(covariates))的属性组成。 机器学习

    2024年01月24日
    浏览(51)
  • Pytorch深度学习笔记(五)反向传播算法

    目录 1.为什么要使用反向传播算法 2.二层神经网络 3.反向传播算法更新权值的过程 4.张量Tensor 推荐课程:04.反向传播_哔哩哔哩_bilibili 1.为什么要使用反向传播算法 简单模型可以使用解析式更新w 复杂模型,如图,输入矩阵为5*1矩阵,等一层权重矩阵H1为6*5矩阵,则需要30个解

    2023年04月22日
    浏览(36)
  • 《动手学深度学习(PyTorch版)》笔记8.6

    注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在Jupyter Notebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python 3.9.18下测试通过,同时对于书上部分章节也做了整合。 训练结果: 与上一节相比,由于pytorch的

    2024年02月20日
    浏览(57)
  • 《动手学深度学习(PyTorch版)》笔记3.1

    3.1.1 Basic Concepts 我们通常使用 n n n 来表示数据集中的样本数。对索引为 i i i 的样本,其输入表示为 x ( i ) = [ x 1 ( i ) , x 2 ( i ) , . . . , x n ( i ) ] ⊤ mathbf{x}^{(i)} = [x_1^{(i)}, x_2^{(i)},...,x_n^{(i)}]^top x ( i ) = [ x 1 ( i ) ​ , x 2 ( i ) ​ , ... , x n ( i ) ​ ] ⊤ ,其对应的标签是 y ( i ) y^{(

    2024年01月25日
    浏览(44)
  • 《动手学深度学习(PyTorch版)》笔记8.7

    注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在Jupyter Notebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python 3.9.18下测试通过,同时对于书上部分章节也做了整合。 通过时间反向传播 (backpropagation thro

    2024年02月20日
    浏览(51)
  • 【AI】《动手学-深度学习-PyTorch版》笔记(三):PyTorch常用函数

    返回一维张量(一维数组),官网说明,常见的三种用法如下 tensor.shape:查看张量的形状 tensor.reshape:返回改变形状后的张量,原张量不变

    2024年02月15日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包