ls ：列出当前目录文件（不包括隐含文件）
ls -a ：列出当前目录文件（包括隐含文件）
ls -l ：列出当前目录下文件的详细信息
cd … ：回当前目录的上一级目录
cd - 回上一次所在的目录
cd ~ 或 cd ：回当前用户的宿主目录
mkdir ： 目录名 创建一个目录
rm ：文件名 文件名 删除一个文件或多个文件
rm -rf ：非空目录名 删除一个非空目录下的一切
fdisk fdisk -l ：查看系统分区信息
fdisk fdisk /dev/sdb ：为一块新的SCSI硬盘进行分区
chown chown root /home ：把/home的属主改成root用户
chgrp chgrp root /home ：把/home的属组改成root组
Useradd ：创建一个新的用户
Groupadd ：组名 创建一个新的组
Passwd ：用户名 为用户创建密码
Passwd -d：用户名 删除用户密码也能登陆
Passwd -S：用户名 查询账号密码
Usermod -l ：新用户名 老用户名 为用户改名
Userdel–r ：用户名 删除用户一切
| code | meaning |
|---|---|
| mkdir test | 创建目录 |
| cd test | 进入目录 |
| git init | 初始化仓库 |
| ls ；ls -ah | 查看目录 |
| touch test.c | 新建项目 |
| add | 添加到缓存 |
| commit -m “words” | 提交到库 |
| log | 提交历史 |
| status | 查看仓库状态 |
| checkout – file | 回到最近修改状态 |
| rm ；rm -rf file | 删除 |
| reset+checkout | 恢复文件 |
| checkout -b dev | 创建分支+切换 |
| merge | 合并 |
| branch -a | 查看分支 |
| branch -D | 删除分支 |
| branch -m | 修改分支名 |
| clone | 远程仓库关联到本地 |
| push origin branch | 修改提交 |
| fetch origin branch | 下载远程代码到本地 |
| git merge origin/branch | 远程与本地合并 |
1. 从命令行中读取可用的忽略规则
2. 当前目录定义的规则
3. 父级目录定义的规则，依次递推
4. $GIT_DIR/info/exclude 文件中定义的规则
5. core.excludesfile中定义的全局规则
空格不匹配任意文件，可作为分隔符，可用反斜杠转义
开头的文件标识 注释，可以使用反斜杠进行转义
! 开头的模式标识否定，该文件将会再次被包含，如果排除了该文件的父级目录，则使用 ! 也不会再次被包含。可以使用反斜杠进行转义
/ 结束的模式只匹配文件夹以及在该文件夹路径下的内容，但是不匹配该文件
/ 开始的模式匹配项目跟目录
如果一个模式不包含斜杠，则它匹配相对于当前 .gitignore 文件路径的内容，如果该模式不在 .gitignore 文件中，则相对于项目根目录
** 匹配多级目录，可在开始，中间，结束
？通用匹配单个字符
* 通用匹配零个或多个字符
[] 通用匹配单个字符列表
bin/: 忽略当前路径下的bin文件夹，该文件夹下的所有内容都会被忽略，不忽略 bin 文件
/bin: 忽略根目录下的bin文件
/*.c: 忽略 cat.c，不忽略 build/cat.c
debug/*.obj: 忽略 debug/io.obj，不忽略 debug/common/io.obj 和 tools/debug/io.obj
**/foo: 忽略/foo, a/foo, a/b/foo等
a/**/b: 忽略a/b, a/x/b, a/x/y/b等
!/bin/run.sh: 不忽略 bin 目录下的 run.sh 文件
*.log: 忽略所有 .log 文件
config.php: 忽略当前路径的 config.php 文件
1. 已纳入版本管理
solve：删除本地缓存
```
git rm -r --cached .
git add .
git commit -m ‘update .gitignore’
```
2. 添加文件被忽略
- 强制添加
```
$ git add -f App.class
```
- 检查gitignore
```
$ git check-ignore -v filename.
```
Large File Storge，可以帮助我们管理比较大的文件，git lfs对于需要追踪的文件只会保存一个指向该文件的指针，而不是在本地仓库中保存每次提交的版本，节省了本地磁盘空间，缩小了git的传输时间。
它通过将大文件存储在Git仓库之外的服务器上，并使用指向这些文件的指针来跟踪和管理这些文件。这样可以避免Git仓库变得庞大和不稳定。Git LFS支持大文件的版本控制和协作，使得与大型二进制文件（如图像、音频和视频文件等）一起使用Git变得更加灵活和高效。
- 跟踪大文件
```
git lfs track “*.zip”
```
- 提交前审核
~~~
git lfs ls-files
~~~
- 加快克隆速度
如果克隆包含大量 LFS 文件的仓库，显式使用 git lfs clone 命令可提供更好的性能
- 加快拉取速度
git lfs pull 命令批量下载 Git LFS 文件
| command | meaning |
|---|---|
| -o outputfile file.cpp | 编译为可执行文件 |
| -c | 编译为对象文件 |
| -o outputfile file1.o file2.o | 链接对象文件 |
对象文件和可执行文件的主要区别在于链接的程度：对象文件包含了部分链接的代码，而可执行文件包含了完全链接的代码。在一些大型项目中，源代码可能被分割成多个文件，然后分别编译成对象文件，最后再链接成一个可执行文件。这样的做法可以提高编译的效率，因为当某个源文件被修改时，只需要重新编译那个文件，而不需要重新编译整个项目。
g++ -o test1 hello.cpp helloworld.cpp
g++ -c hello.cpp
g++ -c helloworld.cpp
g++ -o test2 hello.o helloworld.o
g++ -o test3 hello.o helloworld.cpp
g++ -o test4 hello.cpp //wrong
question 1: unable to install g++(软件包有未依赖的关系)
solve :swap sources;
question 2 :unable to edit helloworld.cpp
solve :learn vim ( --,-- ; gedit is better )
question 3 :unable to compile and run
solve :learn g++ about linking cpp files
question 4 :push helloworld 文件夹到github 时 error: 源引用规格 helloworld 没有匹配
solve :创建本地仓库和分支没有add 文件
question 5:本地上传helloworld文件到远程github仓库后，本地修改readme上传git hub出现问题—> git pull 整合远程变更又出现问题—>偏离分支：当本地的分支落后于远程分支时，本地分支又自行修改项目文件生成了新的提交
solve : git config pull.rebase false # 合并 + git pull
| command | meaning |
|---|---|
| ESC | 命令模式 |
| gg / G/ 5+G | 首行/末行/第五行 |
| yy / p/ dd | 复制/粘贴/剪切 |
| u / ctrl + r | 撤销/取消撤销 |
| +i / +a | 编辑模式 |
| ：/ wq/ q！ | 末行模式/保存退出/强制退出 |
?
1. install cmake
2. use gedit
3. install pkg-config
- question 1 : 装着装着虚拟机就死机了？
- solve : 强制重启，太智能了我直接执行下一个操作居然帮我帮上个死机没完成的操作自动执行
- question 2 : 检验时执行 pkg-config opencv --modversion 报错
- solve : 缺失了opencv.pc这个配置信息文件
手动创建opencv.pc
~~~
cd /usr/local/lib
sudo mkdir pkgconfig
cd pkgconfig
sudo touch opencv.pc
添加以下信息
prefix=/usr/local
exec_prefix=${prefix}
includedir=/usr/local/include
libdir=/usr/local/lib
Name: OpenCV
Description: Open Source Computer Vision Library
Version: 4.4.0
Libs: -L${exec_prefix}/lib -lopencv_stitching -lopencv_superres -lopencv_videostab -lopencv_aruco -lopencv_bgsegm -lopencv_bioinspired -lopencv_ccalib -lopencv_dnn_objdetect -lopencv_dpm -lopencv_face -lopencv_photo -lopencv_freetype -lopencv_fuzzy -lopencv_hdf -lopencv_hfs -lopencv_img_hash -lopencv_line_descriptor -lopencv_optflow -lopencv_reg -lopencv_rgbd -lopencv_saliency -lopencv_stereo -lopencv_structured_light -lopencv_phase_unwrapping -lopencv_surface_matching -lopencv_tracking -lopencv_datasets -lopencv_text -lopencv_dnn -lopencv_plot -lopencv_xfeatures2d -lopencv_shape -lopencv_video -lopencv_ml -lopencv_ximgproc -lopencv_calib3d -lopencv_features2d -lopencv_highgui -lopencv_videoio -lopencv_flann -lopencv_xobjdetect -lopencv_imgcodecs -lopencv_objdetect -lopencv_xphoto -lopencv_imgproc -lopencv_core
Libs.private: -ldl -lm -lpthread -lrt
Cflags: -I${includedir}
~~~
- question 3:编译时出现 fatal error ：opencv2/opencv.hpp:没有那个文件或目录
- solve : 将/usr/local/include/opencv4/opencv2扔到/usr/local/include/下
- question 4 ：上面的 solve 没有 solve
- quesiton ........
- sovle :卸载
- question 5 : 上面的 solve 没有solve
main error：
error 1 :检测opencv版本报错
solve ：手动创建opencv.
error 2 : 编译fatal error ：opencv2/opencv.hpp:没有那个文件或目录
solve ：将opencv2文件夹链接到include文件夹下
?
sudo ln -s /usr/include/opencv4/opencv2 /usr/include/
error 3 :上述代码仍无法解决问题
solve ：代码路径不准确
?
sudo ln -s /usr/local/include/opencv4/opencv2 /usr/local/include/
error 4 : 编译通过生成目标文件，不能生成链接文件 报错 no input files
solve ：g++用法错误
g++ -o webcam.o //wrong
g++ webcam.o -o webcam //wright
ps：百度搜不到解决方案，还得是gpt。
这个错误通常是因为你没有在编译命令中指定要编译的源文件。例如，如果你想编译一个名为hello.cpp的源文件，你应该使用以下命令：
g++ hello.cpp -o hello
在这个命令中，hello.cpp是要编译的源文件，-o选项指定了输出文件的名称，hello是输出文件的名称。如果你在命令中没有指定要编译的源文件，编译器就会报“no input files”的错误。确保你在命令中指定了正确的源文件名，并且文件存在于当前工作目录中。
error 5 ：g++用法正确后报错undefined reference to`cv::VideoCapture::VideoCapture(int, int)’
solve :链接时没有包含OpenCV库文件。要解决这个问题，需要在编译命令中包含OpenCV库文件
g++ yourfile.cpp -o yourfile pkg-config --cflags --libs opencv
error 6 ：成功编译成可执行文件，但运行时报错error while loading shared libraries: libopencv_highgui.so.3.4: cannot open shared object file: No such file or directory
solve ：有几个库找不到，用locate定位这几个库
?
sudo apt install mlocate
locate libopencv_highgui.so.3.4
找到后添加路径
cd /etc/ld.so.conf.d
sudo vim opencv.conf //加入路径
sudo ldconfig
?
error ：“conda”无法找到命令
solve ：导入路径才能使用
sudo gedit ~/.bashrc
export PATH=“/home/用户名/anaconda3/bin:$PATH”
source ~/.bashrc
| command | meaning |
|---|---|
| conda env list | 存在的虚拟环境 |
| conda create -n your_env_name python=x.x | 创建虚拟环境 |
| conda activate your_env_nam | 进入虚拟环境 |
| conda deactivate env_name | 退出虚拟环境 |
| conda remove -n your_env_name --all | 删除虚拟环境 |
安装anaconda后再重启SITL仿真
error ：再次无法打开consolo和map
solve ：安装opencv-python，wxpython，matplotlib库
error ：安装wxpython时报错
error: Could not build wheels for wxPython
TRY1 ：创建python=3.8的虚拟环境安装//fail ——>
TRY2 ：创建python=3.6的虚拟环境安装//fail
TRY3 ：安装旧版本的wxpython//fail
TRY4 ：创建python=3.9的虚拟环境安装//successful ——>
成功打开console和map
Tools/environment_install/install-prereqs-ubuntu.sh-y
solve ：挂着下一个晚上，第二天重下
error：Failed to load module
1. TRY 1 ：//fail
sudo -H pip2 install --upgrade MAVProxy pymavlink future lxml
error :-H无法找到命令与目录
solve :在sudo命令中，-H标志是用来设置HOME环境变量为目标用户的家目录。这个标志是有效的，但是在某些情况下，可能会遇到"-H: 没有那个文件或目录"的错误。这通常是因为系统中的sudoers文件配置问题导致的。
如果遇到了这个问题，可能需要检查一下系统的sudoers文件配置。可以使用visudo命令来编辑sudoers文件，确保其中包含以下内容：
Defaults env_keep += “HOME” //failed
2. TRY 2 ：//fail
sudo pip2 install --upgrade MAVProxy pymavlink future lxml
error ：pip2无法找到命令与目录
solve ：
sudo apt-get install python-pip
sudo chown root /home/gonglai/.cache/pip/http
sudo chown root /home/gonglai/.cache/pip
- solve ：
3. TRY 3 ：//fail
From csdn:
python几个包未安装好，需要删除后重装
pip3 uninstall MAVProxy pymavlink future lxml
sudo -H pip2 install --upgrade MAVProxy pymavlink future lxml
4. TRY 4 ：//fail
From csdn：
mavproxy未安装好
sudo apt-get install python3-dev python3-opencv python3-wxgtk4.0 python3-pip python3-matplotlib python3-lxml python-pygame
pip3 install PyYAML mavproxy --user
echo ‘export PATH=“$PATH:$HOME/.local/bin”’ >> ~/.bashrc
5. TRY 5 ：//fail
From csdn：
更换python版本，旧版本的mavproxy貌似不支持python3
添加python2到索引，并设置python2为默认的python版本
sudo update-alternatives --install /usr/bin/python python /usr/bin/python2.7 1
sudo update-alternatives --config python
6. TRY 6 ：//fail——>创建虚拟环境后需要重新安装依赖包
Tools/environment_install/install-prereqs-ubuntu.sh-y
创建虚拟环境
7. TRY 7 ：//wrong choice
重装
成功
- Solve:
1. 创建python=3.9的虚拟环境
2. 安装依赖包
3. 找到缺少的python库 opencv-python wxpython matplotlib
运行`sim_vehicle.py --map --console`出现sim_vehicle.py无法找到文件与目录
Solve：
/Tools/autotest/sim_vehicle.py --frame singlecopter --map –console
1. 下载数据集
- 解压.gz文件报错：EOF tar: 归档文件中异常的 EOF
- solve：在windows下安装压缩为rar文件重新上传到网盘
2. 训练数据集
- 训练过程中killed
- solve：减小BATCH_SIZE ( 每epoch一次训练样本数量 )（ 32——>8 )；减小epoch数量 ( 100——>10 )
3.测试训练后的权重
?
? error 1： file /boot/vmlinuz-linus not found
? solve ：以dd镜像模式写入U盘（推荐是iso镜像
? error 2 ：Ubuntu系统开机异常：ACPI Error：AE_NOT_FOUND
? solve ：——>显卡不能完全支持操作系统中包含的开源驱动程序：在linux那一行最后三个—换成nomodeset；按ctrl+x
? solve ：——>开机f2进入bios ，关闭安全启动模式:Secure Boot:Disable ，关闭独显。
| 分区 | 大小 |
|---|---|
| boot/efi | 1G |
| swap | 两倍内存 |
| / | 150-200G不少于100G |
| /home | 剩下所有 |
删除Ubuntu启动引导项
1.Win + R 输入cmd打开终端，输入 diskpart 进入磁盘工具
2.输入 list disk 查看磁盘，输入 select disk 0
3.输入 list partition ，输入 select partition n （Windows EFI分区，一般为260M）
4.输入 assign letter=J（分配盘符）
5.管理员模式打开记事本
6.打开 J盘/EFI 文件夹，删除Ubuntu文件夹
?
- 神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出可以类比为神经元的轴突，计算则可以类比为细胞核。中间的箭头线。这些线称为“连接”。每个上有一个“权值”。
- 连接是神经元中最重要的东西。每一个连接上都有一个权重。一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。
- 我们使用a来表示输入，用w来表示权值。一个表示连接的有向箭头可以这样理解：在初端，传递的信号大小仍然是a，端中间有加权参数w，经过这个加权后的信号会变成a*w，因此在连接的末端，信号的大小就变成了a*w。
- 在其他绘图模型里，有向箭头可能表示的是值的不变传递。而在神经元模型里，每个有向箭头表示的是值的加权传递。
- 神经元 ——>单元 / 节点
神经元模型的使用可以这样理解：
我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知，一个属性未知。我们需要做的就是通过三个已知属性预测未知属性。
具体办法就是使用神经元的公式进行计算。三个已知属性的值是a1，a2，a3，未知属性的值是z。z可以通过公式计算出来。
这里，已知的属性称之为特征，未知的属性称之为目标。假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。
1. 两个层次 ：输入 / 输出
2. 需要计算的层次 ：计算层 ——>一个计算层
3. 产生效果：线性分类
4. 偏置节点：没有输入 ——常数
- 增加中间层 两层计算层
- 隐藏层的参数矩阵的作用就是使得数据的原始坐标空间从线性不可分，转换成了线性可分。
- g(W(1) * a(1) + b(1)) = a(2); g(W(2) * a(2) + b(2)) = z;
- 非线性分类任务
- 损失：机器学习模型训练的目的，就是使得参数尽可能的与真实的模型逼近。具体做法是这样的。首先给所有参数赋上随机值。我们使用这些随机生成的参数值，来预测训练数据中的样本。样本的预测目标为yp，真实目标为y。那么，定义一个值loss，这个值称之为损失（loss），我们的目标就是使对所有训练数据的损失和尽可能的小。
- 如果将先前的神经网络预测的矩阵公式带入到yp中（因为有z=yp），那么我们可以把损失写为关于参数（parameter）的函数，这个函数称之为损失函数（loss function）。下面的问题就是求：如何优化参数，能够让损失函数的值最小。
- 此时这个问题就被转化为一个优化问题。一个常用方法就是高等数学中的求导，但是这里的问题由于参数不止一个，求导后计算导数等于0的运算量很大，所以一般来说解决这个优化问题使用的是梯度下降算法。梯度下降算法每次计算参数在当前的梯度，然后让参数向着梯度的反方向前进一段距离，不断重复，直到梯度接近零时截止。一般这个时候，所有的参数恰好达到使损失函数达到一个最低值的状态。
- 在神经网络模型中，由于结构复杂，每次计算梯度的代价很大。因此还需要使用反向传播算法。反向传播算法是利用了神经网络的结构进行的计算。不一次计算所有参数的梯度，而是从后往前。首先计算输出层的梯度，然后是第二个参数矩阵的梯度，接着是中间层的梯度，再然后是第一个参数矩阵的梯度，最后是输入层的梯度。计算结束以后，所要的两个参数矩阵的梯度就都有了。
- 优化问题只是训练中的一个部分。机器学习问题之所以称为学习问题，而不是优化问题，就是因为它不仅要求数据在训练集上求得一个较小的误差，在测试集上也要表现好。因为模型最终是要部署到没有见过训练数据的真实场景。提升模型在测试集上的预测效果的主题叫做泛化（generalization），相关方法被称作正则化（regularization）。神经网络中常用的泛化技术有权重衰减等。
?
张量 ，最基础的运算单位 ，一个多维矩阵，一个可以运行在gpu上的多维数据
1. torch.FloatTensor(2,3) / torch.FloatTensor([2,3,4,5])
2. torch.randn(2,3) //2*3随机数
3. torch.range(1,10,2) ——> tensor([1,3,5,7,9])
4. torch.zeros/ones/empty ——>全为0/全为1/定义大小的空tensor
5. 从NumPy数组创建
import numpy as np
numpy_array = np.array([1, 2, 3])
tensor_from_numpy = torch.from_numpy(numpy_array)
1. torch.abs/add/div/pow ——>绝对值/求和/求商/求幂
2. torch.clamp(变量，上边界，下边界)
3. torch.mm/mv ——>矩阵相乘/与矩阵*向量 //一维向量默认为列向量
4. .T 转置矩阵
torch数据读取
import torch
from torch.utils.data import Dataset
# 自定义一个名称为MyDataset的数据集（继承pytorch内置的Dataset类）
class MyDataset(Dataset):
# 重写构造函数（输入2个tensor类型的参数：数据/数据集合，数据对应的标签/集合）
def __init__(self, data_tensor, target_tensor):
self.data_tensor = data_tensor
self.target_tensor = target_tensor
# 重写len方法：返回数据集大小
def __len__(self):
return self.data_tensor.size(0) # 一般情况输进来的数据都是集合
# 上重写getitem方法：基于索引，返回对应的数据及其标签，组合成1个元组返回
def __getitem__(self, index):
return self.data_tensor[index], self.target_tensor[index]
# 生成数据集和标签集 （数据元素长度=标签元素长度）
data_tensor = torch.randn(10, 3) # 10行3列数据，可以理解为10个元素，每个元素个一维的3个元素列表
target_tensor = torch.randint(2, (10,)) # 标签是0或1的10个元素 # 对应语法：torch.randint(low, high, size）
# 将数据封装成自定义数据集的Dataset
my_dataset = MyDataset(data_tensor, target_tensor)
# 调用方法：查看数据集大小
print(‘Dataset size:’, len(my_dataset))
# 使用索引调用数据
print('tensor_data[0]: ', my_dataset[0])
from torch.utils.data import DataLoader
tensor_dataloader = DataLoader(dataset=xxx, # 传入的数据集, 必须参数，必须是Dataset 类型
batch_size=x, # int 类型，每个 batch 有多少个样本
shuffle=x, # bool 类型，在每个 epoch 开始的时候，是否对数据进行重新打乱；
num_workers=x) # int 类型，加载数据的进程数，0 意味着所有的数据都会被加载进主进程，默认为 0
Torchvision 库就是常用数据集 + 常见网络模型 + 常用图像处理方法
torchvision.datasets所支持的所有数据集，它都内置了相应的数据集接口
# 以MNIST为例
import torchvision
mnist_dataset = torchvision.datasets.MNIST(root=‘./data’, //指定保存数据集位置
train=True, //是否加载训练集数据
transform=None, //图像预处理
target_transform=None,//图像标签预处理
download=True//True 自动下载)
- .ToTensor() ——>将 PIL.Image 或 Numpy.ndarray 数据转化为Tensor格式
- .ToPILImage(mode=()) ——>将 Tensor 或 Numpy.ndarray 格式的数据转化为 PIL.Image ；mode=none ：输入数据维度1/2/3/4 ——>数据类型/LA/RGB/RGBA
1. 对PIL.Image和 对Tensor都支持的变换操作
- Resize
torchvision.transforms.Resize(size, interpolation=2)(PIL Image对象/tensor对象) //size 若是 int整数 较短边匹配到size另一边按比例缩放
- .CenterCrop / .RandomCrop /.FiveCrop 中心剪裁 / 随机剪裁 / 从中心和四角剪裁
torchvision.transforms.CenterCrop(size)(PIL Image对象/tensor对象)
torchvision.transforms.RandomCrop(size, padding=None)(PIL Image对象/tensor对象)
torchvision.transforms.FiveCrop(size)(PIL Image对象/tensor对象)
- RandomHorizontalFlip / RandomVerticalFlip 以某概率随机水平翻转图像和某概率随机垂直翻转图像
torchvision.transforms.RandomHorizontalFlip(p=0.5)(PIL Image对象/tensor对象)
2. 仅针对Tensor的操作
- 标准化
1. 标准化是指每一个数据点减去所在通道的平均值，再除以所在通道的标准差
2. 三维数据的前2维，可以说是长宽（面积大小），第三维习惯称之为通道
3. 图像数据的通道指的是图像在不同颜色通道上的信息。在RGB图像中，通常有三个通道，分别代表红色（R）、绿色（G）和蓝色（B）。每个通道包含了图像在对应颜色上的信息，可以表示图像中不同颜色的亮度和色彩。在灰度图像中只有一个通道，代表了图像的亮度信息。
transforms.normalize(mean_vals, std_vals,inplace=False)
output = (input - mean) / std ；
mean:各通道的均值；
std：各通道的标准差；
inplace：是否原地操作
例：
from PIL import Image
from torchvision import transforms
# 原图
orig_img = Image.open(‘TP02.jpg’)
display(orig_img)
# 图像转化为Tensor
img_tensor = transforms.ToTensor()(orig_img)
# 标准化
# 定义标准化操作
# norm_oper = transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5)) # RGB三通道，所以mean和std都是3个值
tensor_norm = transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))(img_tensor)
# 再把标准化后的Tensor转化为图像
img_norm = transforms.ToPILImage()(tensor_norm)
display(img_norm)
compose 类
torchvision.transforms.Compose(transforms)
- 在训练模型时，通常需要计算函数（通常是损失函数）相对于模型参数的导数或梯度。PyTorch中的autograd包提供了自动微分功能，它能够自动地追踪对张量的所有操作并进行微分。
- 损失函数：损失函数的计算代表了模型预测值与真实标签之间的差异或者不一致程度。在训练模型时，我们希望模型的预测结果能够尽可能地接近真实标签，因此损失函数的计算可以帮助我们衡量模型预测的准确程度。
- 模型参数的导数或梯度：“模型参数的导数”和“梯度”指的是损失函数相对于模型参数的变化率。在训练模型时，我们希望找到使损失函数最小化的模型参数值。为了实现这一目标，我们需要了解损失函数对模型参数的变化敏感程度，即损失函数对模型参数的导数或梯度。通过计算导数或梯度，我们可以知道在当前模型参数值下，沿着哪个方向对参数进行微小调整可以使损失函数减小，从而引导模型向更优的参数值迭代。
- requires_grad=True 追踪计算历史
- 1、使用 .detach()： 创建一个内容相同但不需要梯度的新张量。
x_detached = x.detach()
2、使用 torch.no_grad()： 在该上下文管理器中执行的所有操作都不会追踪梯度。
with torch.no_grad():y = x + 2
- .backward() 计算所有requires_grad=True的张量的梯度
import torch
import torchvision
from torchvision import datasets,transforms
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt
#torchvision.transforms: 常用的图片变换，例如裁剪、旋转等；
# transform=transforms.Compose(
# [transforms.ToTensor(),#将PILImage转换为张量
# transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))#将[0, 1]归一化到[-1, 1]
# #前面的（0.5，0.5，0.5） 是 R G B 三个通道上的均值， 后面(0.5, 0.5, 0.5)是三个通道的标准差
# ])
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Lambda(lambda x: x.repeat(3,1,1)),
transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))
]) # 修改的位置
data_train = datasets.MNIST(root=“./data/”,
transform=transform,
train = True,
download = True)
data_test = datasets.MNIST(root=“./data/”,
transform = transform,
train = False)
data_loader_train=torch.utils.data.DataLoader(dataset=data_train,
batch_size=64,#每个batch载入的图片数量，默认为1,这里设置为64
shuffle=True,
#num_workers=2#载入训练数据所需的子任务数
)
data_loader_test=torch.utils.data.DataLoader(dataset=data_test,
batch_size=64,
shuffle=True)
#num_workers=2)
#预览
#在尝试过多次之后，发现错误并不是这一句引发的，而是因为图片格式是灰度图只有一个channel，需要变成RGB图才可以，所以将其中一行做了修改：
images,labels = next(iter(data_loader_train))
# dataiter = iter(data_loader_train) #随机从训练数据中取一些数据
# images, labels = dataiter.next()
img = torchvision.utils.make_grid(images)
img = img.numpy().transpose(1,2,0)
std = [0.5,0.5,0.5]
mean = [0.5,0.5,0.5]
img = img*std+mean
print([labels[i] for i in range(64)])
plt.imshow(img)
import math
import torch
import torch.nn as nn
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
#构建卷积层之后的全连接层以及分类器
self.conv1 = nn.Sequential(
nn.Conv2d(3,64,kernel_size=3,stride=1,padding=1),
nn.ReLU(),
nn.Conv2d(64,128,kernel_size=3,stride=1,padding=1),
nn.ReLU(),
nn.MaxPool2d(stride=2,kernel_size=2)
)
self.dense = torch.nn.Sequential(
nn.Linear(14*14*128,1024),
nn.ReLU(),
nn.Dropout(p=0.5),
nn.Linear(1024,10)
)
def forward(self,x):
x=self.conv1(x)
x=x.view(-1,14*14*128)
x=self.dense(x)
return x
model = Model()
cost = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())
print(model)
n_epochs = 5
for epoch in range(n_epochs):
running_loss = 0.0
running_correct = 0
print(“Epoch {}/{}”.format(epoch,n_epochs))
print(“-”*10)
for data in data_loader_train:
X_train,y_train = data
X_train,y_train = Variable(X_train),Variable(y_train)
outputs = model(X_train)
_,pred=torch.max(outputs.data,1)
optimizer.zero_grad()
loss = cost(outputs,y_train)
loss.backward()
optimizer.step()
running_loss += loss.data
running_correct += torch.sum(pred == y_train.data)
testing_correct = 0
for data in data_loader_test:
X_test,y_test = data
X_test,y_test = Variable(X_test),Variable(y_test)
outputs = model(X_test)
_,pred=torch.max(outputs.data,1)
testing_correct += torch.sum(pred == y_test.data)
print(“Loss is:{:4f},Train Accuracy is:{:.4f}%,Test Accuracy is:{:.4f}”.format(running_loss/len(data_train),100*running_correct/len(data_train)
,100*testing_correct/len(data_test)))
data_loader_test = torch.utils.data.DataLoader(dataset=data_test,
batch_size = 4,
shuffle = True)
X_test,y_test = next(iter(data_loader_test))
inputs = Variable(X_test)
pred = model(inputs)
_,pred = torch.max(pred,1)
print(“Predict Label is:”,[i for i in pred.data])
print(“Real Label is:”,[i for i in y_test])
img = torchvision.utils.make_grid(X_test)
img = img.numpy().transpose(1,2,0)
std = [0.5,0.5,0.5]
mean = [0.5,0.5,0.5]
img = img*std+mean
plt.imshow(img)
[1]kevin小新. Ubuntu22.04系统安装软件、显卡驱动、cuda、cudnn、pytorch
[2]illikang. 神经网络——最易懂最清晰的一篇文章.
[3]Fakeoccupational. ubuntu 编译安装支持CUDA的OpenCV+其他opencv细节(需要特定版本gcc).
[4]Fakeoccupational. linux CUDAtoolkit+cudnn+tensorrt 的安装
[5]Vaccae. pyTorch入门（一）——Minist手写数据识别训练全连接网络.
[6]振华OPPO. Ubuntu20.04部署yolov5目标检测算法，无人车/无人机应用
[7]大豆子.Pixhawk无人机-ArduPilot 软件SITL仿真模拟飞行（SITL+MAVProxy）
[8]Alone-阮泽宇. 基于Linux（Ubuntu）系统下使用g++和Makefile编译C语言程序
[9]Bren-yi. Ubuntu下Python环境管理及切换.
[10]Akaxi-1. 基于Ubuntu下Yolov5的目标识别.
[11]机器想学习. 系统安装ubuntu 22.04 LTS(一步到位)
[12]写bug那些事. 狂肝两万字带你用pytorch搞深度学习.