仅作为记录,大佬请跳过。
文章目录
from future import
将新版本的特性引进当前版本中
.as_matrix()
将其他形式转换成ndarray
assert
用于设置断点:
isinstance
用于判断字符类型:
enumerate([scale, crop, composed]):
从数组里面依次选取,进行循环
(依次选取scale, crop, composed)
.__ name __
应该是取类的名字
**transformed_sample中的 **
好像是使用transformed_sample的字典类型
(或者是将transformed_sample变成字典类型——(1,2,3)→{‘a’:1,‘b’:2,‘c’:3})
image[top: top + new_h,left: left + new_w]
即image(xstart + xend, ystart: yend)
是对图像的切片选取
ndarrays和Tensors的区别
Tensors是GPU读取,ndarrays是内存读取;
Tensors不可变,ndarrays可变
torch.utils.data.DataLoader
batch_size=4
网络训练使用4组图片-标签,并行训练
shuffle=True
指每次迭代抽取要洗牌
num_workers=4
开4个线程导入数据
plt.ioff()
关闭plt.show()的阻塞模式(必须关闭图片后,才能继续运行程序)
保留
imshow(out, title=[class_names[x] for x in classes])
torchvision.utils.make_grid的作用
作用是将若干幅图像拼成一幅图像
# 获取一批训练数据
inputs, classes = next(iter(dataloaders['train']))
# 批量制作网格
out = torchvision.utils.make_grid(inputs)
copy.deepcopy
copy.deepcopy复制后,是独立的,原来的数据如何变化不影响复制到剪切板上的复制——深复制