pytorch备忘录

1.测试时不需要梯度：

with torch.no_grad():
    out = net(input)

2.可视化网络生成的图片（整个batch）

from torchvision.utils import save_image

out = net(input)
save_image(out,'./a.jpg')

3.按条件修改tensor值

out = torch.where(out>0.5, torch.full_like(out, 1), torch.full_like(out, 0))

4.加载预训练模型：

net.load_state_dict(torch.load('/home/dell/checkpoint.pt'))

5.预训练模型键值不对应：

def load_GPU(model, model_path, mapLoc='cpu'):
    state_dict = torch.load(model_path, map_location=mapLoc)['net']
    # create new OrderedDict that does not contain `module.`
    from collections import OrderedDict
    new_state_dict = OrderedDict()
    for k, v in state_dict.items():
        name = k[7:]  # remove `module.`
        new_state_dict[name] = v
    model.load_state_dict(new_state_dict)
    return model

6.tensor赋值：

out[out > 0.5] = 1

7.torch.backends.cudnn.deterministic = False

#该函数的作用是通过预先统计特征图的大小，然后在之后的卷积过程中选用合适的矩阵计算来代替卷积，从而达到加速的目的，
#然而空洞卷积是一个动态的过程，因此需要每次都重新统计，反而使计算速度极大的减慢，因此在带有空洞卷积的网络中要将该参数设置为False

8.在gpu上运行的程序可能报错位置与真实出错位置不同，可以使用：

os.environ['CUDA_LAUNCH_BLOCKING'] = "1"
让其相同