每个部分都是参考b站小土堆写的，我觉着这个up主讲的蛮好的，手把手教学，b站点击量也很高，适合入门～ 感觉pytorch中文文档删减好多内容，好多还是得对照原版： 官方pytorch参考英文文档：https://pytorch.org/docs/stable/index.html 官方pytorch参考中文文档：https://pytorch-cn.readthedocs.io/zh/latest/ 2024.11.17 完结撒花～完成了一周速通pytorch基础的工作，接下来就上手实战了！

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】共计33条视频，包括：P1. PyTorch环境的配置及安装（Configuration and Installation of PyTorch)【PyTorch教程】、P2. Python编辑器的选择、安装及配置（PyCharm、Jupyter安装）【PyTorch教程】、【FAQ】为什么torch.cuda.is_available返回False等，UP主更多精彩视频，请关注UP账号。

https://www.bilibili.com/video/BV1hE411t7RN/?spm_id_from=333.337.search-card.all.click&vd_source=2ad2658f3db2e4832b5e7942ef762d43

Pytorch工具学习

一、pytorch常识

Part 1：环境配置

1. 安装anaconda

• anaconda安装地址如下，根据自己的操作系统下载对应版本即可
https://www.anaconda.com/download/success

• 安装成功以后打开Anaconda Prompt可以看到命令行最前方出现(base)证明成功

2. pytorch安装（在你想要安装pytorch的虚拟环境下）

• pytorch安装地址：https://pytorch.org/



• 选择你适合的版本，博主本人是mac没法用gpu所以cuda就全部失效，只能用default了
• 尽量选择stable版本，这样比较稳定。如果你是windows或者linux就需要去检查你的gpu型号，可以采用在命令行输入命令：nvidia-smi 来查看你的gpu型号，然后查看cuda支持的gpu型号，选择好以后复制在Run this Command一栏后方的命令，上图显示的是pip3 install torch torchvision torchaudio ，这个命令每个人操作系统型号不同因此命令不同。
• 如果没有独立显卡或者不支持你的gpu，那么在Compute Platform就选择None
• 复制到命令行，在虚拟环境中(即看一下命令行前面是base还是你的环境名称，如果是base就conda activate一下)执行即可

• 更多有关环境配置问题可以自行上网查找，此处不再赘述

Part 2：好用的python命令

1. dir()

• dir()是查看某个包的内容以及某个类的内容的命令

• 在命令行中：

2. help()

• help() 是查看某个函数的使用方法

• 在命令行中：

3. 章节总结

• python文件中想要执行上面的内容，就需要借助print

Part 3：Dataset类的使用

1. 不区分标签文件夹代码示例

2. 用txt文件存储标签代码示例(包含split用法)

Part 4：Tensorboard使用

SummaryWriter类的使用

• 这一部分主要有两个核心函数，一个是add_image() ，一个是add_scalar() ，接下来分别介绍两个函数的用法

• add_scalar() 函数
• 运行完上面程序后，然后会发现在对应目录文件夹下出现一个logs文件夹，里面有一个文件是你无法直接打开的，下面介绍如何打开这个文件在终端中，进入logs的上一级文件夹，比如该项目中就对应Part3 ，随后执行tensorboard --logdir logs
• 如果报错可能有以下几种解决办法：
• 先看一下主机名是不是含有汉字了
• 如果没有可以尝试pip install --upgrade tensorboard更新一下版本
• 将命令中的logs改为绝对路径，具体方法自行百度即可
• 还可以指定打开的端口，比如：tensorboard --logdir logs --port 6007




• 这里注意，现在显示的是页面中有两幅图，y = xy = 2x,如果不更换writer.add_scalar("y = 2x", 2 * i, i)中的title，就会导致后续的图像也会在同一个title下的图像中绘制，比如我现在如果执行writer.add_scalar("y = 2x", 3 * i, i)，就会发现y = 2x,y = 3x出现在同一个图像中，会造成视觉混淆，如果出现不妨停止程序，然后更新一下title再重新绘制就可以了（不过好像现在修复了？我和up主用的不是一个版本，现在不会出现这个问题，好像会直接覆盖掉原来的）

• add_image() 函数
• 同样在tensorboard中查看，命令和上面的相同，结果如下：

Part 5：Transforms的使用

• torchvision.transforms 是 PyTorch 中一个用于数据预处理和增强的模块，尤其在图像处理任务中广泛应用。其主要作用是对输入数据（如图像）进行变换，以便适配模型的输入格式，同时提高模型的鲁棒性。

• 主要应用
1. 数据预处理： 例如，调整图像大小、裁剪、归一化等，使数据满足模型的输入要求。
2. 数据增强： 通过对图像进行随机变换（如旋转、翻转等），增加数据的多样性，提高模型的泛化能力。
3. 管道式操作： 通过 transforms.Compose 将多个变换组合在一起，实现预处理和增强的流水线。

1. transforms.Compose

• 作用： 用于将多个变换组合成一个顺序流水线，方便对数据进行一系列预处理和增强操作。

• 参数： 接收一个列表，列表中的每个元素是一个单独的变换。

• 示例：
解释： 这里的流水线依次调整图像大小、转换为张量、并对像素值标准化。

2. transforms.Resize

• 作用： 调整图像大小。

• 参数：
• size： 目标大小，若为元组 (height, width) 则指定高和宽；若为单一值，则将较短边调整到此值，保持长宽比。
• interpolation（可选）： 指定插值方式（如双线性插值、最近邻插值等），默认是 InterpolationMode.BILINEAR。

• 示例：
解释： 将图像调整为固定大小的 128x128 像素。

3. transforms.CenterCrop 和 transforms.RandomCrop

• 作用：

• 参数：

• 示例：

4. transforms.ToTensor

• 作用： 将 PIL 图像或 numpy 数组转换为 PyTorch 张量，并将像素值归一化到 [0, 1]。

• 参数： 无。

• 示例：

5. transforms.Normalize

• 作用： 对张量进行标准化处理，使每个通道的值服从指定的均值和标准差。

• 参数：

• 示例：

6. transforms.RandomHorizontalFlip 和 transforms.RandomVerticalFlip

• 作用： 随机水平或垂直翻转图像。

• 参数：

• 示例：

7. transforms.RandomRotation

• 作用： 随机旋转图像。

• 参数：

• 示例：