Pytorch中文文档已出（http://pytorch-cn.readthedocs.io/zh/latest/）。第一篇博客献给了pytorch，主要是为了整理自己的思路。
原来使用caffe，总是要编译，经历了无数的坑。当开始接触pytorch时，果断拔草caffe。
学习Pytorch最好有一些深度学习理论基础才更好开，废话不多说，进入主题。
1 先有个框框，再往里面填东西
当训练一个神经网络的时候，我们需要有数据，有模型，并且需要设置训练的参数。为了不乱，我们最好分别定义三个文件，分别是：数据准备和预处理traindataset.py+编写模型model.py+如何训练main.py（xx.py，xx自己可任意取名）。
今天我们只讲数据准备与预处理阶段：traindataset.py（怎样命名无所谓，as you like）。这个文件的作用是什么呢？
统一将图像（或矩阵）返回成torch能处理的[original_iamges.tensor，label.tensor]
我们先跳跃一下看中文介绍是如何导入数据：
torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False)dataset, batch_size, shuffle, num_workers=0我们具体看看“dataset”——加载数据的数据集。
这个dataset应该是[original_iamges.tensor，label.tensor]之类的，我们定义的“traindataset.py”就是产生这个dataset的。
你只需在main.py 文件import就可调用！
from traindataset import *2 定义一个py文件产生我们自己的dataset
这个py文件一定要1:能输入我自己的数据路径 2：还得预处理吧，比如的裁剪啊~
step 1：先导入你肯定需要的库路径
import torch.utils.data
import torchfrom tochvision import transforms
transforms库对数据预处理
step 2：自定义dataset类（子类化你的数据）
class MyTrainData(torch.utils.data.Dataset)
所有其他数据集都应该进行子类化。所有子类应该override__len__和__getitem__，前者提供了数据集的大小，后者支持整数索引，范围从0到len(self)。
当然还有个初始化__init__()
ok，我们脸谱化py文件，再往里面加东西（以下为基础框架）：
#encoding:utf-8
import torch.utils.data as data
import torch
from torchvision import transforms
class trainmydatalala(torch.utils.data.Dataset) #子类化
def __init__(self, root, transform=None, train=True): #第一步初始化
self.root = root self.train = train def __getitem__(self, idx): #第二步装载数据，返回[img,label]
img = imread(img_path)
img = torch.from_numpy(img).float()
gt = imread(gt_path)
gt = torch.from_numpy(gt).float()
return img, gt
def __len__(self):
return len(self.imagenumber)
现在往框框里面填：（1）是否transform如裁剪、归一化、旋转等？（2）是否区分test和train？（3）如何做到一张一张对应读取图片？
Python读取图片需要scipy库，要想批处理读取，还需要os库；
以下贴出完整代码：
#encoding:utf-8
import torch.utils.data as data
import torch
from scipy.ndimage import imread
import os
import os.path
import glob
from torchvision import transforms
def make_dataset(root, train=True):
dataset = []
if train:
dirgt = os.path.join(root, 'train_data/groundtruth')
dirimg = os.path.join(root, 'train_data/imgs')
for fGT in glob.glob(os.path.join(dirgt, '*.jpg')):
# for k in range(45)
fName = os.path.basename(fGT)
fImg = 'train_ori'+fName[8:]
dataset.append( [os.path.join(dirimg, fImg), os.path.join(dirgt, fName)] )
return dataset
#自定義dataset的框架
class kaggle2016nerve1(data.Dataset): #需要繼承data.Dataset
def __init__(self, root, transform=None, train=True): #初始化文件路進或文件名
self.train = train
if self.train:
self.train_set_path = make_dataset(root, train)
def __getitem__(self, idx):
if self.train:
img_path, gt_path = self.train_set_path[idx]
img = imread(img_path)
img = np.atleast_3d(img).transpose(2, 0, 1).astype(np.float32)
img = (img - img.min()) / (img.max() - img.min())
img = torch.from_numpy(img).float()
gt = imread(gt_path)
gt = np.atleast_3d(gt).transpose(2, 0, 1)
gt = gt / 255.0
gt = torch.from_numpy(gt).float()
return img, gt
def __len__(self):
return len(self.train_set_path)
这里我并没有用到“transform”进行预处理，如果你想用的话，在__getitem__()下面，return img，gt前重新赋值
img = transforms.ToTensor(img)以及gt = transforms.ToTensor（gt）
这需要注意的是，查看中文文档transforms库有哪些变换，如果有需要涉及参数的如CenterCrop(size)，需要先实参化，如
crop = transforms.CenterCrop(10)；再使用：img = crop（img）