檢查使用的GPU的索引

• torch.cuda.is_available() cuda是否可用；

• torch.cuda.device_count() 返回gpu數量；

• torch.cuda.get_device_name(0)返回gpu名字，裝置索引預設從0開始；

• torch.cuda.current_device()返回當前裝置索引；

如果使用GPU時，出現找不到cudnn可用，可能是因為GPU卡太老，pytorch不支援。

卷積Conv2d

torch.nn.Conv2d( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True

• dilation ( int )——控制卷積核元素之間的距離，預設1
• groups ( int )——控制輸入通道和輸出通道的阻塞連線數，預設1
  • group=1，輸出是所有輸入的卷積；
  • group=2，相當於有兩個並排的卷積層，每個卷積層計算輸入通道的一半，輸出也是輸出通道的一半，隨後將兩個輸出連線起來得到最後結果；
  • group=in_channels，每一個輸入通道分別和它對應的卷積核進行卷積
• kernel_size, stride, padding, dilation:
  • 是int數時，表示height和width值相同
  • 是tuple陣列時，則分別表示height和weight
• bias ( bool ) —— 是否新增可學習的偏置到輸出中

二維卷積層，輸入到輸出尺寸的計算：

W_out​= (W_in + 2*padding - k) / stride + 1

其中 W_in是輸入影象尺寸，padding補0數目，k 是卷積核尺寸，stride是步長

如果dilation 大於 1， 代表是空洞卷積，則需計算 空洞卷積 的等效卷積核 尺寸K，帶入上式 k 中

K=k_d+(k_d−1)∗( d−1)

其中 K 代表等效卷積核尺寸，k_d 代表實際卷積核尺寸， d 代表 dilation--空洞卷積的引數

引數變數：

• weight（tensor）——卷積的權重，（out_channels, in_channels, kernel_size）
• bias（tensor）——卷積的偏置，（out_channels）

Transforms

transforms.ToTensor(), # range [0, 255] -> [0.0,1.0]，自動每個數除以255。相當於歸一化到 [0, 1]之間。

transforms.Normalize() 使用如下公式進行歸一化：

channel=（channel-mean）/std(因為transforms.ToTensor()已經把資料處理成[0,1],那麼(x-0.5)/0.5就是[-1.0, 1.0])

transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))

transforms完整使用方法：

train_transform = transforms.Compose([
    transforms.ToPILImage(),
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(15),
    transforms.ToTensor(), # 將圖片轉成tensor，並把數值normalize到[0,1]
    transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5)),
])

然後在DataSet函式

__init__時，self.transform=transform

__getitem__(index)時，x = self.transform(X[index])

那麼問題來了，一般是normalize到哪個區間中呢？？

個人學習記錄，如有描述欠妥之處，歡迎大家指出交流~(*^__^*)