深度学习入门-03

news2025/10/31 15:02:06

PS：基于小土堆视频学习https://www.bilibili.com/video/BV1hE411t7RN?p=6&vd_source=22926f91481026cd10af799bb45e448b

1、Dateset
Dateset就是我们的目标数据，告诉我们如何获取数据，距离：从多种类型的数据中，提取某一类数据，并且可对数据定义编号；
（提供一种数据获取方式及其label）

2、DateLoader
DateLoader：可以对一堆数据进行打包，为网络提供不同的数据形式

神经网络会对数据迭代多次，通常情况的下，数据集分：验证数据集和训练数据集；

from torch.utils.data import Dataset
import cv2
from PIL import Image  #需要注意区分大小写
import os #获取到所有图片的地址

class MyDate(Dataset): #继承Dataset类别

    def __init__(self,root_dir,label_dir):   #初始化，为整个class提供全局变量
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir,self.label_dir)
        self.img_path = os.listdir(self.path)
        #获取蚂蚁这个文件夹中的所有图片地址

    def __getitem__(self, idx): #获取其中的每一个
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)   #每一个图片的位置
        img = Image.open(img_item_path)
        label = self.label_dir
        return img,label

    def __len__(self):  #确定这个数据集到底有多长
        return len(self.img_path)


root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyDate(root_dir,ants_label_dir)
bees_dataset = MyDate(root_dir,bees_label_dir)

train_dataset = ants_dataset+bees_dataset
#将2个数据集合并为一个，在真实训练，可以用与数据集不足的补充

基于控制台检验

C:\Anaconda3\envs\pytorch_test\python.exe "C:/Program Files/JetBrains/PyCharm Community Edition 2023.1/plugins/python-ce/helpers/pydev/pydevconsole.py" --mode=client --host=127.0.0.1 --port=4406 
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['H:\\Python\\Test'])
Python 3.10.14 | packaged by Anaconda, Inc. | (main, May  6 2024, 19:44:50) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 8.25.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 8.25.0
Python 3.10.14 | packaged by Anaconda, Inc. | (main, May  6 2024, 19:44:50) [MSC v.1916 64 bit (AMD64)] on win32
from torch.utils.data import Dataset
import cv2
from PIL import Image  #需要注意区分大小写
import os #获取到所有图片的地址
class MyDate(Dataset): #继承Dataset类别
    def __init__(self,root_dir,label_dir):   #初始化，为整个class提供全局变量
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir,self.label_dir)
        self.img_path = os.listdir(self.path)
        #获取蚂蚁这个文件夹中的所有图片地址
    def __getitem__(self, idx): #获取其中的每一个
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)   #每一个图片的位置
        img = Image.open(img_item_path)
        label = self.label_dir
        return img,label
    def __len__(self):  #确定这个数据集到底有多长
        return len(self.img_path)
root_dir = "dataset/train"
ants_label_dir = "ants"
ants_dataset = MyDate(root_dir,ants_label_dir)
ants_dataset[0]
Out[3]: (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=768x512>, 'ants')
img,label = ants_dataset[0]
img.show()
img,label = ants_dataset[6]
img.show()
root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyDate(root_dir,ants_label_dir)
bees_dataset = MyDate(root_dir,bees_label_dir)
img,label = bees_dataset[6]
img.show()
train_dataset = ants_dataset+bees_dataset
len(ants_dataset)
Out[12]: 124
len(bees_dataset)
Out[13]: 121
len(train_dataset)
Out[14]: 245
img,label = train_dataset[124]
img.show()
img,label = train_dataset[123]
img.show()

可以发现展示不同的图片，124是蜜蜂，123是蚂蚁

transform在dataset中很常用，他主要用于图像的变换，对图像同一个尺寸

3、tensorBoard的使用，在训练模型中很有用
在这里插入图片描述

可以通过他，看他的loss的降低情况，模型是不是符合预期，他的训练结果是不是可以。
使用tensorBoard对模型训练很有用，通过他可以有效的看到模型的输出

from torch.utils.tensorboard import SummaryWriter
writer =SummaryWriter("logs")

# writer.add_image()
for i in range(100):
    writer.add_scalar("y=x",i,i)
writer.close()