PyTorch学习笔记合集

PyTorch环境的配置和安装

conda常用命令

一、conda命令

conda 命令可以用来：

• 创建新的 conda 环境。
• 在现有的 conda 环境中安装/升级包。
• 查询/搜索 Anaconda 包的索引和当前 Anaconda 的安装。

Tip: 我们可以将前面带有两个短线（--）的常用命令进行缩写（并不是所有的都可以缩写），方法是取一个短线和选项的首字母。例如 --name 可以缩写成 -n，--envs 可以缩写成 -e。

使用 conda -V 以查看当前的 conda 版本。

我们可以通过命令行来寻求相应的帮助，即

conda --help

当然也可以使用缩写

conda -h

如果我们想要进一步查看 install 命令该如何使用，只需执行

conda install -h

二、conda info

conda info 可以用来查看相关信息，其格式如下：

conda info [-a] [--base] [-e] [-s] [--unsafe-channels]

-a, -all： 查看所有信息（不常用）。

–base：查看基环境所在路径。

conda info --base

-e, –envs：列出当前所有的 conda 环境。

conda info -e

-s, –system：列出所有的环境变量（不常用）。

–unsafe-channels：查看令牌公开的频道。

conda info --unsafe-channels

三、conda create

conda create 可以用来创建新的 conda 环境，其格式如下：

conda create [-n env_name | -p path] [--clone env_name] [-c channel_address]
             [packages]

-n, –name：我们可以根据环境名称来创建一个 conda 环境，假设我们的环境名称为 my_env

conda create -n my_env

创建完成后，我们使用如下命令进入该环境

conda activate my_env

此时命令行前面多了一个 (my_env)，这个是我们进入了该环境的标志。

使用 conda list 命令来查看该环境下都安装了哪些包。

因为我们并没有在创建环境的时候安装包，所以结果自然是什么都没有。

如果要退出该环境，只需执行

conda deactivate

注意： 我们只能退到基环境，在基环境下继续退出依然在基环境。

-p, –prefix：除了根据名称创建环境以外，我们还可以根据地址来创建 conda 环境。

在上面的例子中，我们创建的 my_env 环境的地址为：G:\anaconda3\envs\my_env。事实上，如果不指定地址，则所有的环境都会创建在 ...\anaconda3\envs\ 下。

若要根据地址来创建，只需执行

conda create -p G:\anaconda3\envs\my_env

–clone：--clone 主要用来克隆（复制）现有的环境。

我们可以根据现有环境的名称来进行克隆，假设现有环境的名称为 original_env，新的环境的名称为 new_env，则只需执行

conda create -n new_env --clone original_env

当然我们也可以根据现有环境的地址来进行克隆：

conda create -n new_env --clone G:\anaconda3\envs\original_env

-c, –channel：首先来介绍一下什么是 conda 频道。

conda 频道是存储 包 的位置，安装 包 时 conda 会搜索现有的频道集合，并选取其中一个频道来安装 包。

conda 的默认频道是 https://repo.anaconda.com/pkgs/，但该频道需要付费，我们一般使用 conda-forge 这个频道来进行安装，它是免费的。

有关频道的设置这里从略，后续的章节会陆续提及。

packages：我们新创建的环境如果不安装必要的包是无法使用的，需要安装的包用空格隔开，即

conda create -n my_env python numpy flask

我们用该命令创建了一个叫 my_env 的环境，同时安装了三个包 python、numpy、flask。

安装完成后，可以使用 conda list 命令查看已经安装的包。

此外，我们的 python 安装的是最新版本，当然我们也可以指定版本进行安装：

conda create -n my_env python=3.9.7 numpy flask

四、conda install

conda install 可以用来在 conda 环境中安装相应的包，具体格式如下：

conda install [-n env_name | -p path] [-c channel_address] [packages]

已经介绍的选项这里就不再介绍了。

例如，我们要在 my_env 下安装 3.9.7 版本的 python。我们可以先进入该环境，然后安装：

conda activate my_env
conda install python=3.9.7

注意，这里的 = 实际上是模糊约束，详情见下图：

也可以直接指定环境安装：

conda install -n my_env python=3.9.7 # 根据名称
conda install -p G:\anaconda3\envs\my_env python=3.9.7 # 根据地址

再例如，安装 cvxpy 时，我们可以从指定的频道（conda-forge）进行安装

conda install -n my_env -c conda-forge cvxpy

五、conda remove

conda remove 可以用来移除 conda 环境中的某些包，也可以移除整个环境，具体格式如下：

conda remove [-n env_name | -p path] [packages] [--all]

例如，如果我们需要移除 my_env 下的 numpy，只需执行

conda remove -n my_env numpy

当然我们也可以移除所有包（即整个conda环境）

conda remove -n my_env --all

需要注意的是，conda 没有提供重命名环境的命令，我们只能先克隆一份原来的环境，然后再删除原来的环境，具体操作如下（例如将环境 a 重命名成 b）：

conda create -n b --clone a
conda remove -n a --all

conda uninstall 是 conda remove 的别名，我们也可以使用 conda uninstall 来移除包，方法是相同的。

六、conda list

conda list 用来列出 conda 环境中的包，具体格式如下：

conda list [-n env_name | -p path] [package]

conda list 只列出当前环境的所有包，若要列出其他环境的包，例如列出 my_env 下的所有包，只需执行：

conda list -n my_env

若要列出 my_env 中与 numpy 相关的包（准确地来说是含有 numpy 字样的包），只需执行：

conda list -n my_env numpy

基于此，我们可以使用 conda list 来查询当前环境是否安装了相应的包（每次只能查询一个），如果最后的结果没有列出，那就说明没有安装。

七、conda search

conda search 用来搜索指定的包，具体格式如下：

conda search [-c channel_address] [-f] [packages]

我们可以指定在 conda-forge 中搜索 numpy：

conda search -c conda-forge numpy

事实上，上述命令会搜索到所有包含 numpy 字样的包，如果我们只想搜索 numpy 这个包，需要加上 -f（--full-name 的缩写），即

conda search -c conda-forge -f numpy

八、conda update

conda update 用来将一系列的包升级到最新版本，具体格式如下：

conda update [-n env_name | -p path] [packages] [--all]

例如，如果我们想要升级 my_env 下的 numpy 和 scipy，只需执行

conda update -n my_env numpy scipy

如果我们要想更新 my_env 中的所有包，则需执行

conda update -n my_env --all

如果要更新 conda 本身，则需执行

conda update conda

如果要更新 anaconda ，则需执行

conda update anaconda

注： 升级 Anaconda 前需要先升级 conda。

九、conda config

conda config 用来配置 conda 的频道，相关信息会存储在 C:\Users\你的用户名\.condarc 文件中。

添加一个频道的格式为：

conda config --add channels [channel]

例如，若要添加 conda-forge 这个频道，只需执行

conda config --add channels conda-forge

由于国外频道速度一般不稳定，我们通常考虑使用国内的频道，例如清华镜像。

考虑到 Windows 用户无法直接创建名为 .condarc 的文件，我们可以先执行

conda config --set show_channel_urls yes

然后再直接修改该文件。

内容如下：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

修改完后，执行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。

设置完后，我们可以执行

conda config --get channels

来查看已经添加的频道。

配置环境

创建一个虚拟环境

conda create -n pytorch python=3.10
conda activate pytorch

安装pytorch

从官网复制需要的指令https://pytorch.org/

conda install pytorch torchvision torchaudio cpuonly -c pytorch #cpu版本

虚拟环境中安装jupyter

conda install jupyter notebook	
jupyter notebook #启动

按住Shift + 回车 运行并切换到下一行

Python两个重要函数

两个函数

dir函数

能让我们知道工具箱，以及工具箱中的分隔区有什么东西

help函数

能让我们知道每个工具箱中的工具是如何使用的。

实战操作

Pycharm，jupyter使用场景

以一个错误的程序为例子

python文件

一个块一个快递执行

用于存储一些代码信息

python控制台

常用：一行一行的执行

也可以以块为单位运行，但是报错信息较多，影响美观

利用python控制到进行一个小区域的调试

jupyter

以任意行为块运行

jupter用于一个小的项目，或者一个小的区域的调试

对比

①是遇到错误时的状态 ②是修改错误后运行的状态

PyTorch加载数据

Dataset

• 提供一种方式去获取数据及其lable
  • 如何获取每一个数据及其lable
  • 告诉我们总共有多少的数据

Dataloader

• 为后面的网络提供不同的数据形式

Dataset实战

通过两个函数查询相应用法

使用pycharm的控制台可以方便的查看每个变量详细的值和信息（右侧）

代码

from torch.utils.data import Dataset
from PIL import Image
import os

class MyDdata(Dataset):
    def __init__(self,root_dir,lable_dir):
        self.root_dir = root_dir
        self.lable_dir = lable_dir
        self.path = os.path.join(self.root_dir,self.lable_dir)
        self.img_path = os.listdir(self.path)

    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.lable_dir,img_name)
        img = Image.open(img_item_path)
        lable = self.lable_dir
        return img,lable

    def __len__(self):
        return len(self.img_path)

root_dir = "dataset/train"
ants_lable_dir = "ants"
bees_lable_dir = "bees"
ants_dataset = MyDdata(root_dir,ants_lable_dir)
ants_dataset = MyDdata(root_dir,bees_lable_dir)

TensorBoard

Transform

torchversion中的数据集的使用

Dataloader的使用

神经网络

神经网络的基本骨架-nn.Module的使用

卷积操作

神经网络-卷积层

神经网络-最大池化的使用

神经网络-非线性激活

神经网络-线性层及其他层的介绍

神经网络-搭建小实战和Sequential的使用

损失函数和反向传播

优化器

现有网络模型的使用及修改

网络模型的保存与读取

完整的模型训练套路

利用GPU训练

完整的模型验证套路