【深度学习】Pytorch基础

张量

• 运算与操作

1. 加减乘除
   pytorch中tensor运算逐元素进行，或者一一对应计算

2. 常用操作
   典型维度为N X C X H X W，N为图像张数，C为图像通道数，HW为图高宽。

• sum()
  一般，指定维度，且keepdim=True该维度上元素相加，长度变为1。
• 升降维度
  unsqueeze() 扩充维度

    image = PIL.Image.open('lena.jpg').convert('RGB')
    transform = torchvision.tranforms.Compose([torchvision.transforms.ToTensor()])
    img = transform(image)
    img = img.unsqueeze(0)

sequeeze()将长度为1的维度抹除，数据不会减少。

• 将输入（图像）转换为张量，torchvision.transforms.ToTensor()

class ToTensor:
    """Convert a ``PIL Image`` or ``numpy.ndarray`` to tensor. This transform does not support torchscript.

• tensor转换为cvMat

1. 获得元素
2. 反归一化
3. 变换通道顺序

• 维度展开

    # 除第1维，其他维展开
    x = torch.flatten(x, 1)

Variable

view()方法
卷积输出N*C*H*W，输入全连接层，需要变形为N*size

torchvision

import torchvision as tv
# 查看网络的结构
features = tv.models.alexnet().features
# 在dim=1上求和，第1维度压缩为1
torch.sum(in_feat**2,dim=1,keepdim=True)

torch.nn

1. Module
   用于构建神经网络模型的基类，有方法
   register_buffer，register_parameter，声明常量与模型参数。
2. ModuleList
3. train()与eval()
4. ConvTranspose2d 图像反卷积，可实现上采样，如ConvTranspose2d(256, 128, 3, 2, 1, 1), 输入输出通道分别为256\128，反卷积核大小为3，反卷积的stride为2，即图像大小变为2倍，输出尺寸公式是卷积公式的逆运算；与卷积参数一致，形式即正逆。

$$H_{out}=(H_{in}-1)\times \text{stride}[0]-2\times \text{padding}[0]+\text{dilation}[0]\times (\text{kernel\_size}[0]-$$