记录一下自己学 pytorch，学习的资料为 pytorch 的中文文档，传送门：https://apachecn.gitee.io/pytorch-doc-zh/#/docs/1.4/blitz/cifar10_tutorial
# 当必须处理图像、文本、音频或视频数据时，可以使用 python 标准库将数据加载到 numpy 数组里。然后将这个数组转化成 torch.*Tensor 。
# 对于图片，有 Pillow, OpenCV 等包可以使用
# 对于音频，有 scipy 和 librosa 等把包可以使用
# 对于文本，不管是原声 python 的或者是基于 Cython 的文本，可以使用 NLTK 和 SpaCy
# 特别对于视觉方面，有一个叫做 torchvision 的包，其中包含了针对 Imagenet、 CIFAR10、 MNIST 等常用数据集的数据加载器（data loaders），还有对图像数据转换的操作，即 torchvision.datasets 和 torch.utils.data.DataLoader。
# 在这个教程中，我们将使用 CIFAR10 数据集。在 CIFAR-10 里面的图片数据大小是 3 x 32 x 32
# 训练一个分类器
# 将按顺序做一下步骤：
# 1. 通过 torchvision 加载 CIFAR10 里面的训练和测试数据集，并对数据进行标准化
# 2. 定义卷积神经网络
# 3. 定义损失函数
# 4. 利用训练数据训练网络
# 5. 利用测试数据测试网络
1. 价载并标准化 CIFAR10
import torch
import torchvision
import torchvision.transforms as transforms
# torchvision 数据集加载完后的输出是范围在 [0,1]之间的 PILImage。将其标准化为范围在[-1,1]之间的张量
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = trochvision.datasets.CIFAR10(root='./data', train=True, download=True, transform = transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size = 4, shuffle = True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./dada', train=False,download=True,transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size = 4, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
#输出为：
Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz
Files already downloaded and verified
2. 定义一个卷积神经网络
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
3. 定义损失函数和优化器
#使用多分类的交叉熵损失函数和随机梯度下降优化器
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), ;r=0.001, momentum=0.9)
