文章目录
Pytorch专栏
Pytorch框架学习路径(一：张量简介与创建)
Pytorch框架学习路径(二：张量操作)
Pytorch框架学习路径(三：线性回归)
Pytorch框架学习路径(四：计算图与动态图机制)
Pytorch框架学习路径(五：autograd与逻辑回归)
Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset)
ReadMe(注意)
本文前面的Debug部分是请参考上一篇博客（与上一篇博客Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset) 是关联的），这里为了方便大家回忆和理解，我也会贴出Debug过程图片，但在上一篇博客（Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset)）中详细讲解的过程不再讲解。
（一）transforms 运行机制
1.1、torchvision:计算机视觉工具包
1.2、常用的图像预处理方法
1.3、transforms（含本人录制视频讲解）
本人对一下内容做的详细讲解视频链接：https://pan.baidu.com/s/1Ovn2dMiU0WRUFd0DFLUITg
提取码：dcbo
在我们详细讲解transforms之前，我们先看下图，transforms在我们数据导入过程中分布的位置。
首先我们看一下 Debug的过程：如下动态图
| 对以上DeBug过程做了视频讲解（这部分文字很难描述） |
我相信大家对这个动态图看的迷糊，所以我单独录制了视频进行讲解。这里附上百度网盘链接，
链接：https://pan.baidu.com/s/1Ovn2dMiU0WRUFd0DFLUITg
提取码：dcbo
1.4、transforms.Normalize
在
1.3中我已经在视频中和大家讲解过transforms.Normalize的源码了，下面贴一张图，方便大家理解。
| Normalize的作用 |
Normalize的作用：可以加快模型的收敛。那这个怎么去理解呢！我们先回顾一下Pytorch框架学习路径(五：autograd与逻辑回归)中我讲述的逻辑回归代码。结果如下图：
由上图可知，我们的数据距离
（0，0）点都不远，这里模型运行迭代到第400次，loss就达到了0.0493，精度也达到了0.995.
如果我们修改一下数据的分布，使得数据的均值远离这个原点，于是
bias的大小就起作用了，初始化bias=4.
由上图结果可知，当我们迭代到700次，精度才大于等于0.99，并且loss=0.1381，而且在你在自己运行过程中，可以明显发现在第400次迭代后，迭代的速度是很慢的。从这里就可以看出我们的Normalize是有多么的重要了。
（二）下节预告
transforms图像增强(一)
- 数据增强
- transforms ——裁剪
- transforms ——翻转和旋转