两个法宝函数
dir():打开，看见
help()：帮助、说明
例子：dir（pytorch）、dir（pytorch.X）
Ctrl+F：搜索
注意：双下划线是不能修改的文件
Pycharm和Jupter的对比
python文件：以块作为一个整体；通用运行，但是需要从头运行。
python控制台：以每一行为快，调试可以看到变量属性；Shift+enter可以换行书写代码；显示每个变量的属性，不利于代码的阅读和修改。
jupter：以任意块运行；利于代码阅读及修改；环境需要配置。
Pytorch加载数据初认识
dataset：提供一种方式去获取数据机器label，使用时需要继承这个类
dataloader：为后面的网络提供不同的数据形式；包含两个功能：如何获取每一个数据及其label、告诉我们总共有多少个数据
torch.utils.data:torch常用工具
**class中init函数·**：为class类提供全局变量;后面创建实例的时候需要给init的参数赋值
路径：绝对路径在Windows中路径用“\”表示；相对路径用"/"表示
self:指定了一个类中的全局变量
Tensorboard
from torch.utils.tensorboard import summmarywriter
块注释：ctrl+/
args：参数
scalar：结果可视化（不太推荐使用）
图片打开：PIL:Python Image Library
from PIL import Image
img=Image.open(imge_path)
CHW–HWC:writer.add_image(“test”,image_array,2, dataformats=‘HWC’)
SummaryWriter
from torch.utils.tensorboard import SummaryWriter
writer=SummaryWriter("logs")
write.add_image("图片title"，图片(tenstor类型)，输出排列的第几张图片)
Transforms
导入：from trochvision import Transform
trasnforms.py工具箱：
里面的工具：ToTensor、resize
通过transforms.ToTensor去看两个问题
1、transforms该如何使用python
ctrl+p出现需要什么参数
result=tool(input)
内置函数前后具有双下划线，调用类时会自动调用；如果是单纯调用其中的某个函数，则不会调用内置函数。
2、为什么需要Tensor数据类型
alt+enter:提供解决方案
输入、输出、作用
读取图片：
Image.open()
cv.imread()
3、ToTensor
Img_Tensor = transformers.ToTensor(Img_PIL/Img_Numpy)
4、Resize（）
trans_resize = transforms.Resize((512,512))
img_resize=trans_resize(img)
5、compose
Transforms.Randomcrop（）#随机裁剪
关注函数功能、输入和输出（输入一般是会告诉是什么样的类型、输出可以用调试的方法进行或者直接打印变量）
观看官方文档，比较准确！
关注方法需要什么参数
TorchVision
1、数据集：torchvision.datasets.CIFAR10(root=，train=，download=true)，推荐download一直设置为true！
2、可以通过迅雷进行数据下载
3、可以用summary.writer进行处理
DateLoader
**作用：**怎么取数据、取多少数据
batch_size:每次取的数据量
shuffle：是否打乱数据
num_workers:单进程还是多进程，=0表示是主进程；windows下一般用=0.
drop_last:剩余的数据是否丢弃
nn.Module
import torch.nn as nn
import torch.nn.functional as F
class Model(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(1, 20, 5)
self.conv2 = nn.Conv2d(20, 20, 5)
def forward(self, x):
x = F.relu(self.conv1(x))
return F.relu(self.conv2(x))
卷积、池化、非线性&&&&
torch.reshape（）
troch.transformers.resize()
torch.flatten()
sequential
model = nn.Sequential(
nn.Conv2d(1,20,5),
nn.ReLU(),
nn.Conv2d(20,64,5),
nn.ReLU()
)
# Using Sequential with OrderedDict. This is functionally the
# same as the above code
model = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(1,20,5)),
('relu1', nn.ReLU()),
('conv2', nn.Conv2d(20,64,5)),
('relu2', nn.ReLU())
]))
输出网络结构:print(model())
检验网络（尤其是线性层）：
input=torch.ones((64,3,32,32))
output=model(input)
可以检验正确性！
怎么打印模型参数？
损失函数和反向传播
from troch.nn import L1Loss
results=L1Loss(input,target)
损失函数：L1Loss、交叉熵损失（适合于分类问题）、MSELoss损失
补：入门的时候学习太多会减弱兴趣的！
优化器
for input, target in dataset:
optimizer.zero_grad()
output = model(input)
loss = loss_fn(output, target)
loss.backward()
optimizer.step()
优化器主要配置两个参数：params、lr
optim = torch.optim.xxx(models.parameters,lr=0.01)
optim.zero_grad()
result_los.backward()
optim.step()
现有模型修改
pip list :展示安装的package
vgg16.add_module(“add_linear”,nn.Linear(1000,10))：vgg之后增加线性层
vgg16.classifier[6]：直接修改最后一层的输出
网络模型保存与加载
pytorch的官网的程序写法可以借鉴，作为套路和模板
方式1：
保存模型和参数：
torch.save(vgg16,"vgg16_method1.pth")
加载模型和参数
model=torch.load("vgg16_method1.pth")
自己的网络模型在加载的时候需要复制到加载程序中
方式2：
保存模型参数（官方推荐）
torch.save(vgg16.state_dict(),"vgg16_method2.pth")
加载模型参数（官方推荐）
vgg16=trochvision.models.vgg16(pretrained=Flase)
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
模型训练
模型测试：
不要再调整成参数和寻找最优了！
with torch.no_grad():
计算正确率
GPU训练
google colaoratary和Jupter相似，可以用其中的GPU
利用GPU训练的是把网络模型、数据和损失函数改为.cuda（）
if torch.cuda.is_avialable()
model=Model.cuda()
常用写法
device=torch.device("cuda" if torch.cuda.is_aviilable() else "cpu")
模型测试（demo）
利用已经训练好的模型，然后提供输入
先加载模型参数，然后复制神经网络，数据reshape和totensor
GitHub
多看牛人代码，认真体会细节
一般看星号排序的代码
补充：
item()的使用
import torch
a = troch.tensor(5)
print(a)
print(a.item())
输出为：
tensor(5)
5
参考链接：
B站视频_小土堆
PyTorch 深度学习快速入门教程