PyTorch

面试题

pytorch 计算图
pytorch 自动求导的原理？
pytorch detach()方法 clone()方法 load save方法

两大法宝

1. dir 打卡工具箱 dir(torch.cuda)
2. help 查看具体函数的使用方式 help(torch.cuda.is_available)

数据加载

Dataset

提供一种方式去获取数据及其label，以及数据集的大小

from torch.utils.data import Dataset
from PIL import Image # 图像操作（open、show）
import os  #文件操作

# 继承Dataset类
class MyData(Dataset):
    # 通过定义一个特殊的__init__方法，在创建实例的时候，把所需要的属性绑上去
    # 和普通的函数相比，在类中定义的函数只有一点不同，就是第一个参数永远是实例变量self
    # __init__方法的第一个参数永远是self，表示创建的实例本身
    # 因此，在__init__方法内部，就可以把各种属性绑定到self，因为self就指向创建的实例本身
    def __init__(self,root_dir,label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(root_dir,label_dir)
        self.img_path = os.listdir(self.path) #返回指定path路径文件夹中图片名称组成的列表

    # 当实例对象做P[key]运算时，就会调用类中的__getitem__()方法
    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(root_dir,label_dir,img_name)
        print(img_item_path)
        img = Image.open(img_item_path)
        img.show()
        label = self.label_dir
        return img, label

    # 当使用len(p)时，就会调用类中的__len__()方法
    def __len__(self):
        return len(self.img_path)
# 有了__init__方法，在创建实例的时候，就不能传入空的参数了，必须传入与__init__方法匹配的参数，但self不需要传，Python解释器自己会把实例变量传进去

root_dir = 'D:\ADNI_classify _v-3.0\ADCNMCI\\train'
label_dir = 'AD'
ad_dataset = MyData(root_dir,label_dir)
print(len(ad_dataset))

tensorboard

可视化训练过程的数据

1. add_image()
2. add_scalar

# 参数：title；y轴数值；x轴数值
writer.add_scalar("y=2x", 2*i, i)

# tag：是保存图的标题
# img_tensor：图片变量名,图片的类型要是torch.Tensor, numpy.array, or string这三种
# global_step：第几张图片
# dataformats=‘CHW’，默认CHW，tensor是CHW，numpy是HWC
writer.add_image(tag,img_tensor,global_step,dataformats='HWC')

Dataloader

为后面的网络提供不同的数据形式

numpy

tensor

PyTorch 是一个开源的深度学习框架，它提供了张量作为其核心数据结构。在 PyTorch 中，张量类似于 NumPy 中的数组，但是拥有额外的功能，特别是与 GPU 加速计算有关的功能。以下是 PyTorch 中张量的一些介绍：

1. 创建张量： 你可以使用 torch.tensor() 函数创建张量，也可以使用一些特殊的函数如 torch.zeros()、torch.ones() 来创建特定大小的张量，还可以从 Python 列表或 NumPy 数组中创建张量。

2. 张量属性： 张量有很多属性，比如形状（shape）、数据类型（dtype）、设备（device，表示张量所在的设备，如 CPU 或 GPU）、布局（layout，表示张量的存储方式，如连续存储或分块存储）等。

3. 张量操作： PyTorch 提供了许多张量操作函数，包括数学运算、逻辑运算、索引和切片等。你可以对张量进行加法、乘法、指数运算等操作，也可以使用索引和切片来访问张量的特定元素或子集。

4. 自动求导： PyTorch 的一个重要功能是自动求导，它可以自动计算张量的梯度。你可以通过 tensor.requires_grad=True 将张量设置为需要求导，然后进行计算，PyTorch 会自动构建计算图并计算梯度。

5. 张量和神经网络： 在深度学习中，张量是神经网络的基本数据结构。神经网络的输入、输出和参数都表示为张量，而神经网络的前向传播和反向传播也是基于张量的运算实现的。

总的来说，PyTorch 的张量是一种灵活、强大的数据结构，它为深度学习提供了高效的数值计算和自动求导的功能。

tensor函数

1. torchvision.transforms.ToTensor()
   在使用 transforms.ToTensor() 进行图片数据转换过程中会对图像的像素值进行正则化，即一般读取的图片像素值都是8 bit 的二进制，那么它的十进制的范围为 [0, 255]，而正则化会对每个像素值除以255，也就是把像素值正则化成 [0.0, 1.0]的范围
   意义：将图片表示为数字化的数据，方便神经网络进行处理和学习