一级目录

二级目录

三级目录

深度学习流程

1.定义模型

这里需要构建网络模型，后面用这个模型去训练。

2.定义数据增强

这里主要是在数据量少的情况下，对数据进行一些增强，比如平移，翻转，裁剪等操作，以提高模型的泛化能力（这一步不是必须的）。

3.定义数据加载。

这里定义数据加载器，使得模型训练时模型能源源不断地获取数据进行训练。对于Pytorch而言，数据记载主要需要用到Dataset和DataLoader这两个类。

1 Dataset的定义如下：

class Dataset(object):
	def __init__(self):
		...
		
	def __getitem__(self, index):
		return ...
	
	def __len__(self):
		return ...

**getitem**函数的作用是根据索引index遍历数据，一般返回image的Tensor形式和对应标注。当然也可以多返回一些其它信息，这个根据需求而定。
**len**函数的作用是返回数据集的长度。

2 DataLoader
DataLoader将自定义的Dataset根据batch size大小、是否shuffle等封装成一个又一个batch大小的Tensor，数据给模型进行训练测试。

即在DataLoder中，会触发Mydataset中的getiterm函数读取一张图片的数据和标签，并拼接成一个batch返回，作为模型真正的输入。

class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False)

dataset：加载的数据集
batch_size：每个batch加载多少个样本
shuffle：设置为True时会在每个epoch重新打乱数据(默认: False)
num_workers：用多少个子进程加载数据。0表示数据将在主进程中加载(默认: 0)
collate_fn (callable, optional) ：将一个list的sample组成一个mini-batch的函数