图像去雾毕业论文准备12-深度学习框架（pytorch）——超级详细（基础环境）

小鱼儿 2023-01-02 06:30 177阅读 0赞

## 图像去雾毕业论文准备11-深度学习框架（pytorch）——超级详细（基础环境） ##

上一篇中已经说明了本节的学习内容，就是对pytorch进行学习，然后开始看卷积相关的内容！  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 1]  
动态图和静态图的区别  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][20210105102103670.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 4]  
pytorch 和 tensorflow2.0以上差不多，所以为了后面看代码选择性更大，这里把pytorch也简单学习一下，之前已经学习了tensorflow，这里就以此类推进行学习！  
线性回归：

# 导入库
    import torch
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
    
    data = pd.read_csv('dataset.csv')
    # print(data)
    plt.scatter(data.Education,data.Income)
    plt.show()
    plt.xlabel('Education')
    plt.ylabel('Income')

这里和上一节一样  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 5]

# 如果直接这样使用，返回的是andas.core.series.Series格式
    X = data.Education
    print(X)
    print(type(X))
    # 所以需要使用array类型,在类型后加上一个values即可转化成array类型
    X = data.Education.values
    print(type(X))

补充一点，昨天出现的错误，是因为数据的原因，目前我已找到，数据中多了很多标点符号，并且有一个还出现了引号。  
![在这里插入图片描述][20210105111857250.png]  
在本地中进行修改以后就正常运行了  
![在这里插入图片描述][20210105111932692.png]

# 通过输入可以将以上的numpy转化成torch
    X = torch.from_numpy(data.Education.values.reshape(-1,1).astype(np.float32))
    print(X)

如下所示：  
![在这里插入图片描述][20210105112323307.png]  
算了，就到这吧，下节详细讲解一个案例，进行熟悉和加深理解！  
（完!）

）

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70]: /images/20221120/64d2b875d0bb4b1197976b135af1f5ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 1]: /images/20221120/e7e559d73d8a4c3091d703e026527016.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 2]: /images/20221120/2de6d6405f254c4c8d8ccf0d81ac5bcd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 3]: /images/20221120/d6e5c79d0c0d4224a8d6feee0d34a74e.png
[20210105102103670.png]: /images/20221120/0a183872e9b44d61ad3ee763d4b072bd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 4]: /images/20221120/f8fb95081d1d40bea658cacfb1cb9404.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70 5]: /images/20221120/44d3201e33f949a6b2c399e2252e1194.png
[20210105111857250.png]: /images/20221120/1d858babf3774f058ea2b12e9a460c48.png
[20210105111932692.png]: /images/20221120/df1c16ece39d48fca117dce5b568280f.png
[20210105112323307.png]: /images/20221120/135fc83e77634a5da77b8f142f7de779.png