Torchvision是独立于PyTorch的关于图像操作的一个工具库，目前包括六个模块：
torchvision.datasets：Torch框架中常用的数据集集成与使用
torchvision.models：经典模型积累，torchvision.models.resnet18
torchvision.transforms：常用的图像操作，例随机切割、旋转、数据类型转换、tensor与numpy 和PIL Image的互换等
torchvision.utils：其他工具，比如产生一个图像网格等
from torch import transform
torchvision中常用的数据扩增方法
transforms.CenterCrop 对图片中心进行裁剪
transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换
transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像
transforms.Grayscale 对图像进行灰度变换
transforms.Pad 使用固定值进行像素填充
transforms.RandomAffine 随机仿射变换
transforms.RandomCrop 随机区域裁剪
transforms.RandomHorizontalFlip 随机水平翻转
transforms.RandomRotation 随机旋转
transforms.RandomVerticalFlip 随机垂直翻转
import sys
sys-系统特定的参数和功能
torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的
if args.cuda:
torch.cuda.manual_seed(args.seed)#为当前GPU设置随机种子；如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。
from keras.layers import UpSampling2D
UpSampling2D为pooling2D的相反，上采样层
BP反向传播通用代码：
使用Torch框架的进行模型训练的BP反向传播代码：
model=Model(input)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
#模型训练
for e in range(1000):
var_x = Variable(train_x)
var_y = Variable(train_y)
out = model(var_x)# 前向传播
loss = criterion(out, var_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (e + 1) % 100 == 0: # 每 100 次输出结果
print(‘Epoch: {}, Loss: {:.5f}’.format(e + 1,loss.data[0]))
model.eval()
data_X = data_X.reshape(-1, 1, 2)
data_X = torch.from_numpy(data_X)
var_data = Variable(data_X)
pred_test = model(var_data) # 测试集的预测结果
pred_test = pred_test.view(-1).data.numpy()
matplotlib.pyplot的API说明
plt.legend（）#绘图图例
import numpy as np
import pandas as pd
data_csv = data_csv.dropna() # 滤除缺失数据
dataset = data_csv.values # 获得csv的值
dataset = dataset.astype(‘float32’)
max_value = np.max(dataset) # 获得最大值
min_value = np.min(dataset) # 获得最小值
scalar = max_value - min_value # 获得间隔数量
网友评论