默认实验版本：PyTorch 1.9.0

基础篇

安装PyTorch:

  1. 使用nvidia-smi 查看自己CUDA的版本

然后前往官网查看自己对应CUDA版本的安装方式
https://pytorch.org/get-started/locally/

安装好后使用import torch和torch.cuda.is_available()来验证是否安装成功，并且是否成功连接上GPU

安装 jupyter

使用pip install jupyter和pip install jupyterlab进行安装
jupyter Notebook 是以网页的形式打开，可以在网页页面中直接编写代码和运行代码，代码的运行结果也会直接在代码块下显示。比如在编程过程中需要编写说明文档，可以在同一个页面中直接编写，便于及时说明、解释。
而 Jupyter Lab 可以看做是 Jupyter Notebook 的终极进化版，它不但包含了 Jupyter Notebook 所有功能，并且集成了操作终端、打开交互模式、查看 csv 文件及图片等功能。
安装好后使用:

  1. jupyter notebook
  2. 或者
  3. jupyter lab
  5. ## shift+回车 快速运行

来打开相关网页，打开后点击右上角新建python3,然后输入以下命令进行测试

  1. import torch
  2. torch.__version__

最后点击运行即可查看结果

学习NumPy

NumPy 是用于 Python 中科学计算的一个基础包。它提供了一个多维度的数组对象，以及针对数组对象的各种快速操作，例如排序、变换，选择等
首先安装它的包：pip install numpy
numpy的核心在于它的数组:ndarray,全程为N-dimensional array，N 是一个数字，指代维度，例如你常常能听到的 1-D 数组、2-D 数组或者更高维度的数组。
特性1,创建时指定多大，那么它的大小就是多大无法再进行修改
特性2，ndarray中的数组元素类型必须一致
特性3，Ndarray针对数组进行了特殊优化，效率大幅提升，相比python原生列表要快很多

创建ndarray

  1. import numpy as np
  2. ## asarray是浅拷贝， array是深拷贝
  3. ndarray_1 = np.asarray([1,2,3])
  4. ndarray_2 = np.asarray([[1, 2, 3], [3, 4, 5]])
  5. ndarray_3 = np.array([1,2,3])

ndarray的常用方法

  1. ## ndim:数组的轴（维度）
  2. ndarray_1.ndim
  3. ndarray_2.ndim
  5. ## shape：数组的形状
  6. print(ndarray_2.shape)
  7. print(ndarray_2.shape[1])
  9. ## reshape:变换数组形状,变换前与变换后数组的元素个数需要是一样的
  10. ndarray_2.reshape((1,6))
  12. ## size:数组元素的总数
  13. print(ndarray_2.size)
  15. ## dtype：数组内的元素类型（不要意图直接修改dtype来修改数组元素类型）
  16. print(ndarray_2.dtype)
  17. ## 也可以在创建数组时，直接指定数组内元素的类型
  18. ndarray_3 = np.asarray([[1, 2], [3, 4]], dtype=float)
  19. print(ndarray_3)
  21. ## astype:转换数组类型（是创建一个新的数组而不是修改以前的数组）
  22. ndarray_3.astype('int32')
  1. ## np.ones() 与 np.zeros()来创建特殊数组，只需要传入数组形状即可
  2. nparray5 = np.ones(shape=(2,3))
  3. nparray6 = np.zeros(shape=(3,2))
  5. ## nparray数组的乘法是乘以所有的成员
  6. print(nparray5 * 0.5)
  8. ## np.arange([start, ]stop, [step, ]dtype=None)来创建一个顺序的数组
  9. ## 左闭右开区间,不包括end
  10. nparray7 = np.arange(0, 10, 1,dtype = float)
  11. print(nparray7)
  12. print(nparray7.reshape(5, 2))
  14. ## np.linspace（start, stop, num=50, endpoint=True, retstep=False, dtype=None）创建一个数组
  15. ## 具体就是创建一个从开始数值到结束数值的等差数列。
  16. nparray8 = np.linspace(1, 100, 4)
  17. print(nparray8)

arrange和linspace十分适合用于做图时的X轴，分别适用于等段长的X轴或者只需要有多少段的情况

  1. import numpy as np
  2. import matplotlib.pyplot as plt
  3. ## X = np.arange(-50, 51, 2)
  4. X = np.linspace(-50, 51, 20)
  5. Y = X ** 2
  7. plt.plot(X, Y, color='blue')
  8. plt.legend()
  9. plt.show()

数组的轴

  1. ## 数组的轴
  2. interest_score = np.random.randint(10, size=(4, 3))
  3. print(interest_score)
  5. ##那么在使用np.sum()、np.max()时候就要先明白0轴，1轴位于那列
  6. print(np.sum(interest_score, axis=0))
  7. print(np.average(interest_score, axis=0))

image.png
二维数组还是比较好理解的，那多维数据该怎么办呢？你有没有发现，其实当 axis=i 时，就是按照第 i 个轴的方向进行计算的，或者可以理解为第 i 个轴的数据将会被折叠或聚合到一起。形状为 (a, b, c) 的数组，沿着 0 轴聚合后，形状变为 (b, c)；沿着 1 轴聚合后，形状变为 (a, c)；沿着 2 轴聚合后，形状变为 (a, b)；更高维数组以此类推。
同理min、mean、argmin（求最小值下标）、argmax（求最大值下标）都有这方便的思想

如何读取一张图片（OpenCV和Pillow）

Pillow读取出来是一个数组，所以需要NumPy转换一下

  1. from PIL import Image
  2. import numpy as np
  4. im = Image.open('jk.jpg')
  5. im.size
  6. im_pillow = np.asarray(im)
  7. im_pillow.shape

而OpenCV读取出来本身就是NumPy格式

  1. import cv2
  2. im_cv2 = cv2.imread('jk.jpg')
  3. type(im_cv2)
  4. 输出：numpy.ndarray
  5. im_cv2.shape
  6. 输出：(116, 318, 3)

因为一般的图片都是三信道，分别为RGB，所以数组的最后一位为3
值得注意的是Pillow读取时是按照RGB的顺序读取的，而OpenCV是按照BGR读取的

NumPy中可以使用:来获得数据，“：”代表全部选中的意思

  1. im_pillow[:, :, 0]

image.png所以这句话的意思是取第0层的所有数据
同理可得

  1. im_pillow_c1 = im_pillow[:, :, 0]
  2. im_pillow_c2 = im_pillow[:, :, 1]
  3. im_pillow_c3 = im_pillow[:, :, 2]

NumPy 数组为我们提供了 np.concatenate((a1, a2, …), axis=0) 方法进行数组拼接,但合并的前提是数组的维度相同才能进行合并

如何修改维度

方法1：np.newaxis配合np.concatenate
np.newaxis 让数组增加一个维度，然后在使用concatenate进行拼接

  1. im_pillow_c1 = im_pillow_c1[:, :, np.newaxis]
  2. im_pillow_c1.shape
  3. 输出：(116, 318, 1)
  4. im_pillow_c1_3ch = np.concatenate((im_pillow_c1, zeros), axis=2)
  5. im_pillow_c1_3ch.shape

方法二：直接赋值

  1. im_pillow_c2_3ch = np.zeros(im_pillow.shape)
  2. im_pillow_c2_3ch[:,:,1] = im_pillow_c2
  4. im_pillow_c3_3ch = np.zeros(im_pillow.shape)
  5. im_pillow_c3_3ch[:,:,2] = im_pillow_c3

zeros再配合原本数组的shape则可以快速创建为0的数组，再替换为原有的数据即可

最后再进行打印即可

  2. from matplotlib import pyplot as plt
  3. plt.subplot(2, 2, 1)
  4. plt.title('Origin Image')
  5. plt.imshow(im_pillow)
  6. plt.axis('off')
  7. plt.subplot(2, 2, 2)
  8. plt.title('Red Channel')
  9. plt.imshow(im_pillow_c1_3ch.astype(np.uint8))
  10. plt.axis('off')
  11. plt.subplot(2, 2, 3)
  12. plt.title('Green Channel')
  13. plt.imshow(im_pillow_c2_3ch.astype(np.uint8))
  14. plt.axis('off')
  15. plt.subplot(2, 2, 4)
  16. plt.title('Blue Channel')
  17. plt.imshow(im_pillow_c3_3ch.astype(np.uint8))
  18. plt.axis('off')
  19. plt.savefig('./rgb_pillow.png', dpi=150)

image.png