深度学习1
一、库的安装
1、cuda/cpu
cuda 有最好，没有无需额外安装；cpu无需其他操作，直接进入下面步骤
查看 nvidia 驱动版本：cmd里面，输入nvidia-smi 查看GPU驱动程序版本 CUDA Version位置（保证CUDA版本号<=GPU驱动程序版本 ）：
2、torch
官网：Previous PyTorch Versions | PyTorch 选择版本距离最新低于两个层次的，比如目前最新为2.5.0，选择的时候挑2.2.2及一下版本，不可太低。
根据cuda、cpu、操作系统、虚拟环境 复制对应内容 ，例如：
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia
在对应虚拟环境中执行该语句安装（时间很长，不推荐）
推荐方法：
1、在复制官网安装命令后：打开阿里云镜像源： pytorch-wheels-cu121安装包下载_开源镜像站-阿里云 选择对应版本的文件下载（cu表示cuda ，cp表示python版本）
2、下载使用idm等工具加速；
3、打开虚拟环境切换路径到下载文件的地址（直接将文件放到命令语句文件地址最快），执行
conda install 文件完整名称
4、文件安装完成后，执行上面复制的官网命令语句，省掉最后内容，直接安装
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1
5、检查包
conda list
若发现存在漏掉某个包，重新安装这个包即可（指定版本，不要更改）
安装torch过程会安装cuda，无需重复安装
二、Tensor概念
torch运算规程中将数据封装为tensor(张量)
tensor与 numpy
一致：数据的多维矩阵运算；都需要数据内容同一种格式（整数、浮点数）；可以互相转化；可以切片、索引、布尔等操作
差异：numpy不能使用gpu加速计算，tensor可以指定gpu计算，且多线程并线计算；tensor可以自动求导；tensor支持更多的数据类型（同种大类型的不同子类）
1、数据基础
张量是一个多维数组，标量是0阶张量；向量是1阶张量；二维矩阵是2阶张量（通过方向等标签划分）。
1.1、浮点数类型
torch.float16 或 torch.half：16位浮点数
torch.float32 或 torch.float：32位浮点数（默认）
torch.float64 或 torch.double：64位浮点数
1.2、整数类型
torch.int8：8位整数
torch.int16 或 torch.short：16位整数
torch.int32 或 torch.int：32位整数（默认）
torch.int64 或 torch.long：64位整数
1.3、布尔值
torch.bool True/False
2、tensor创建
2.1、创建方式
数据创建和形状创建；指定形状时，默认填充随机数据，使用列表和数组创建时，自动获取数据和形状。
数据创建：tensor(小写t)
import torch
import numpy as np
# 使用标量创建张量
t1 = torch.tensor(7) # 创建0阶张量
print(t1,t1.shape)
# numpy 创建张量
data1 = np.array([10,20,30,40]) # 创建一阶张量
data2 = np.array([[10,20,30,40],[10,20,30,40]]) # 创建二阶张量
t1=torch.tensor(data1)
print(t1,t1.shape)
t2=torch.tensor(data2)
print(t2,t2.shape)
# 列表创建张量
data1 = [10,20,30] # 创建一阶张量
data2 = [[10,20,30],[10,20,30]] # 创建二阶张量
t1=torch.tensor(data1)
print(t1,t1.shape)
t2=torch.tensor(data2)
print(t2,t2.shape)形状创建：Tensor(大写T)
import torch
import numpy as np
# 使用标量创建张量
t1 = torch.Tensor(7) # 创建1阶张量
t2 = torch.Tensor(2,3) # 创建2阶张量
print(t1,t1.shape)
print(t2,t2.shape)2.2、创建线性数据张量
arange、linspace （与numpy操作一致，等差数列）
logspace(start,stop,num,base=10) ：与linspace类似，等比数列，默认10为底的幂计算。
import torch
# 创建数列的张量，等差、等比
x =torch.arange(0,10) # 等差数列
print(x)
y = torch.linspace(0,10,11) # 等差数列
print(y)
z = torch.logspace(1,10,3, base=2) # 等比数列
print(z)2.3、创建随机张量
manual_seed(num) 随机种子 ，数据随机，可重复
initial_seed 获取随机种子
rand(2,3) 创建形状为(2,3)的2阶张量、randn(2,3) 创建形状为(2,3)的标准正态分布数据、normal(1,1,(2,3)) 创建均值为1，标准差为1，形状为(2,3) 的正态分布数据。
import torch
# 随机数创建张量
torch.manual_seed(666) # 随机种子
print(torch.initial_seed)
t = torch.rand(2,3) # 随机生成张量
print(t)
t1 = torch.randn(2,3) # 标准正态分布的张量
print(t1)
t2 = torch.normal(1,1,(2,3)) # 标准正态分布的张量
print(t2)2.4、创建01张量、指定值张量、单位矩阵张量
01张量：与numpy一致，zeros和ones，增加zeros_like和ones_like，表示复制形状使用01填充内部数据。
指定值张量：full((2,3),2) 创建形状为(2,3)，数据全是2的张量；full_like(tensor,2)，复制tensor的形状并用2填充数据创建张量
单位矩阵张量：eye(1) ，一个参数表示n*n矩阵，两个表示n*m矩阵
import torch
# 0数列的张量
x = torch.zeros(4,4)
print(x)
data = torch.tensor([10,20,30])
x2 = torch.zeros_like(data) # 复制data的形状，元素为0，不能是列表或数组
print(x2)
# 1数列的张量
y = torch.ones(4,4)
print(y)
data = torch.tensor([10,20,30])
y2 = torch.ones_like(data) # 复制data的形状，元素为1，不能是列表或数组
print(y2)
# 指定数填充张量
x = torch.full((3,2),666) # 指定形状和值
print(x)
y = torch.full_like(x,2) # 复制x的形状
print(y)
# 创建单元格张量
x1 = torch.eye(2) # 创建 2*2矩阵张量
x2 = torch.eye(2,3) # 创建 2*3矩阵张量
print(x1,'\n',x2)
3、tensor属性
dtype和device
dtype：数据内容的类型--第一点的数据基础
转化：创建时指定dtype = torch.int16
tensor对象.type(torch.float等)
tensor对象.half()、double()、long()等
import torch
# 类型转化
# 创建时指定
x = torch.tensor([10,20,30,40], dtype= torch.int8)
print(x.dtype)
# 使用type转化
x1 = x.type(torch.float16)
x2 = x.type(torch.int16)
print(x1.dtype,x2.dtype)
# 直接第哦啊用类型转化
print(x.half().dtype,x.double().dtype,x.float().dtype) # 直接转化等同于 torch.类型(x)
print(x.short().dtype,x.int().dtype,x.long().dtype)#int8需要使用torch.dtype才行，不存在 x.int8()device ：表示运行设备
torch.cuda.is_available() 表示是否连接到cuda，第一部分安装出现版本差异也就造成无法连接cuda。
转化：创建时指定 device = 'cpu\cuda'
tensor.to('cpu\cuda')
tensor.cuda()
import torch
# 获取当前设备是否有cuda
res=torch.cuda.is_available()
print(res)
# 设备切换
x = torch.tensor([10,20,30], device='cuda')
print(x.device)
y = torch.tensor([10,20,30])
# 多个cuda需要指定序号，默认0
y1 = y.to("cuda") # 返回新的tensor对象
print(y1.device)
y2 = y.to('cuda:0' if res else 'cpu')
print(y2.device)
y3 = y.cuda()
print(y3.device)
y4 = y.cuda() if torch.cuda.is_available() else y
print(y4.device)三、数据转化
1、numpy 与 tensor 的转化
tensor->numpy：tesnor对象.numpy() 浅拷贝，共用内存地址
tensor对象.numpy().copy() 深拷贝
numpy -> tensor：from_numpy(数组) 浅拷贝
tensor(数组) 深拷贝
# 将 tensor 转化成 numpy
# 浅拷贝，共用一个内存地址
import torch
import numpy as np
x = torch.tensor([1,2,3])
print(x)
x_np = x.numpy()
print(x_np)
x_np[0] = 100 # 两个数据的第一个元素都变为100
print(x,x_np)
x[0] = 1000 # 两个数据的第一个元素都变为1000
print(x,x_np)
# copy()深拷贝，不共用一个内存地址
x = torch.tensor([1,2,3])
x_np = x.numpy().copy()
print(type(x), type(x_np))
x_np[0] = 100 # 只有数组的第一个元素变成了一百
print(x,x_np)
x[0] = 1000 # 只有张量的第一个元素变成了一千
print(x,x_np)
# 将 numpy 转化成 tensor
# from_numpy 内存共享
x = np.array([1,2,3])
x_t = torch.from_numpy(x)
x[0] = 100
x_t[1] = 200
print(x)
print(x_t)
# tensor 内存不共享
x = np.array([1,2,3])
x_t = torch.tensor(x)
x[0] = 100
x_t[1] = 200
print(x)
print(x_t)2、图像与tensor转化
from torchvision import transforms
from PIL import Image
import cv2
import torch
步骤：1、使用 cv2.imread() 或 Image.open() 打开图片
2、使用transfroms.ToTensor() 创建转化器对象
3、使用转化器对象转化图片数据，得到tensor
import torch
from torchvision import transforms
import cv2
from PIL import Image
import numpy as np
# 转化到tensor
path =r"./data/animal/cat/0b54dde5f5.jpg"
img1 = cv2.imread(path) # 使用cv2 读取图片
img2 = Image.open(path) # 使用 Image 读取图片
print(img1.shape,np.array(img2).shape)
transfer = transforms.ToTensor()
img1_t = transfer(img1)
img2_t = transfer(img2)
print(img1_t.shape, img2_t.shape)
# tensor转化到 图像
transfer = transforms.ToPILImage()
img_h1 = transfer(img1_t)
img_h2 = transfer(img2_t)
img_h1.show(img_h1)
img_h2.show(img_h2)