Anaconda Pytorch 深度学习入门记录
环境
我这里用的是Anaconda最新的版本24.9.2，创建的pyton版本是3.9，虚拟环境名叫pytorch，下载的pytorch版本是12.1
初步配置
创建虚拟环境
首先进入Anaconda的终端，然后运行conda create -n xxx python=3.9创建一个虚拟环境，这里xxx是虚拟环境的名字，后面跟着的是python的版本
然后用conda activate xxx激活环境，退出环境用conda deactivate xxx
如果需要删除环境，用conda rm -n xxx --all删除
下载pytorch
然后进入pytorch的官网，下滑找到自己需要的pytroch版本，然后复制出现的命令在conda对应的虚拟环境中进行下载 （漫长的等待...这里由于网络问题会下载失败，重试几次即可，注意有显卡的不要到网上去换镜像源，新版本的pytorch用镜像源下载不成功，是CPU版本的）
下载完成后进入python环境，然后import torch导入torch库，再用torch.cuda.isavailiable()查看是否正确安装好pytorch，如果安装成功，有显卡的出现true，没有的出现false
配置pycharm
这里我下载的是最新的pycharm，进入pycharm之后需要自己配置环境，新建一个项目需要获取Anaconda的环境，如下所示：
如果没有自动弹出，选择自定义环境后选择现有，类型选择conda，然后路径到conda的目录中的Liabrary的bin的conda.bat，就可以自动配置环境了，要注意的是最下面的环境要选择对应的虚拟环境！！！比如前面创建的是pytorch就选择pytorch，不能默认！！！！，之后创建项目就可以了
同样的，进入项目后在终端中import torch导入torch库，再用torch.cuda.isavailiable()查看是否正确安装好pytorch，如果安装成功，有显卡的出现true，没有的出现false
安装Jupyter Notebook
在新版的pytorch和python中，直接用conda install nb_conda是不行的，要用conda install nb_conda_kernels下载，完成之后输入jupyter notebook就可以进入界面，然后创建一个新的jupyter book项目即可
同样的，我们在book中import torch导入torch库，再shift + enter后，用torch.cuda.isavailiable()，然后按下shift + enter查看是否正确安装好pytorch，如果安装成功，有显卡的出现true，没有的出现false
这里shift+enter的作用是切换到下一个代码块并且运行上一个代码块，如果没报错说明成功
pytorch两大法宝函数
其中dir()的作用类似于输出索引，告诉你package中有什么东西，help()的作用就是告诉你如何使用这个包，比如函数的用法
指明索引中的包含关系的时候用.来递进
加载数据集
在pycharm中使用from torch.utils.data import Dataset,或者在jupyter notebook中Dataset??可以看到对于数据集的解释和用,主要就是所有的数据集都要去继承Dataset这个类，然后重写__getitem__和__len__这两个函数。
__getitem__函数主要作用就是获取数据集的对应数据及其label，__len__函数主要作用就是获取数据集的大小/长度
设置数据集
以图片数据集为例，设置图片数据集首先需要图片的路径，这里用导入os库可以将获取一整个文件夹的资源路径，并且作为一个字典列表来使用
具体代码如下
点击查看代码
from torch.utils.data import Dataset
import os
from PIL import Image
class Mydata(Dataset): #创建一个数据集类，继承Dataset类
def __init__(self,root_dir,label_dir):
self.root_dir=root_dir # 设置数据集的根目录--'dataset/hymenoptera_data/train'
self.label_dir=label_dir # 设置数据集的标签目录--'ants'
self.path =os.path.join(self.root_dir,self.label_dir) # 将目录拼起来，作为一个完整的路径--'dataset/hymenoptera_data/train\\ants'
self.image_path=os.listdir(self.path) #数据集路径：读取资源路径中的图片资源，并且变成一个字典列表，每个索引对应一个图片资源
def __getitem__(self, idx): # 创建一个方法获取每个图片资源的label
image_name=self.image_path[idx] # 通过字典列表的索引值获取图片名字
image_item_path=os.path.join(self.root_dir,self.label_dir,image_name) # 拼合路径，获取每一个图片资源的路径--'dataset/hymenoptera_data/train\\ants\\0013035.jpg'
image=Image.open(image_item_path) # 通过图片路径读取图片
label=self.label_dir # 返回图片对应的标签
return image,label
def __len__(self): # 返回数据集的长度
return len(self.image_path)
root_dir ="dataset/hymenoptera_data/train"
ants_label_dir="ants"
bees_label_dir="bees"
ants_data_set=Mydata(root_dir,ants_label_dir) # 获取蚂蚁数据集
bees_data_set=Mydata(root_dir,bees_label_dir) # 获取蜜蜂数据集
train_dataset=ants_data_set+bees_data_set # 直接整合成数据集作为训练数据，也是一个字典列表
配置Tensorboard
Tensorboard的作用是进行数据可视化。这里需要先使用pip install tensorboard下载tensorboard包，然后from torch.utils.tensorboard import SummaryWriter导入。具体的代码如下：
点击查看代码
from torch.utils.tensorboard import SummaryWriter # 导入tensorboard包
writer=SummaryWriter("logs") # 将输出的文件存放在logs文件夹中
x = range(100)
for i in x:
writer.add_scalar('y=2x', i * 2, i) # 参数分别为 图像的描述 Y轴 X轴
writer.close()
运行tensorboard的时候就在终端中输入 tensorboard --logdir=xxx即可，端口号也可以用--port=xxx进行配置，然后注意logdir需要用 绝对路径
Tensorboard中显示图像
通过查看writer.add_image的使用方法可以发现图像的读取要求图像为array数组格式的，所以使用numpy将图像转为array格式（opencv也可以），通过print(type(image))查看图像的格式。然后通过image中的type可以查看是否为CHW，即通道数、高度、宽度，不是的话在后面声明格式即可
globalstep的作用可以说是在哪个阶段显示出什么图片
点击查看代码
image_path ="dataset/hymenoptera_data/train/ants_image/28847243_e79fe052cd.jpg" # 图像路径
image = Image.open(image_path) # 打开图像
image_array= np.array(image) # 将图像转为数组形式
writer.add_image("test",image_array,1,dataformats="HWC")
