在PyTorch中，一般常用的图片类型就两种，分别是RGB彩色图片或者灰度图。以前我都是用OpenCV进行判断的，但是实际上不论是PyTorch还是TensorFlow都已经融合了图像相关的操作，再加载OpenCV实在是多此一举。本文就是直接使用PyTorch代码进行图片的灰度判断，并且输出结果，结果为“是灰度图片”或者“不是灰度图片”。
在PyTorch中，transforms.ToTensor()是一个用于将PIL图像或NumPy数组转换为PyTorch张量的变换操作。本文主要介绍了transforms.ToTensor()的三个功能，最后通过两个代码示例进行演示。
state_dict就是一个简单的Python字典，它将模型中的可训练参数（比如weights和biases，batchnorm的running_mean、torch.optim参数等）通过将模型每层与层的参数张量之间一一映射，实现保存、更新、变化和再存储。本文介绍了PyTorch里的各种保存方式，包括参数保存及恢复、保存最优参数、完整保存、跨设备保存。根据实际情况选择合适的保存方式即可。
其实使用ResNet进行迁移学习的训练和使用VGG没有本质上大的区别。但是需要注意的是使用ResNet的时候，对最后一层分类器进行修改不是直接修改输出的类别数量，而是新建一个层。为了更加清晰，这里就不展示所有的代码了，而是展示网络模型的构建和修改的代码。
在训练过程中，学习速率过大会导致准确率上不去甚至发生震荡，学习速率过小，则有可能导致耗时非常久。为了取得一个平衡，可以尝试在训练的一开始以较大的学习速率，随着epoch的增长，逐渐缩小学习速率。那么，在PyTorch中，如何进行这样一个过程的代码编写呢？其实在PyTorch里，内置了一些学习速率衰减的方法策略。
数据增强在文章『一次说全TensorFlow中常用的数据增强方法：随机裁剪、上下左右翻转、亮度、对比度』里介绍过，简单理解就是通过人为的一些变化进行数据的改变，产生一些新的数据。常见用的数据增强方法就是那么几种，例如随机翻转、随机裁剪、对比度、亮度等的调整。本文就是简单说说在PyTorch里如何进行数据增强。
在TensorFlow的文章中，也是使用VGG网络进行迁移学习演示的。现在在PyTorch中，依旧使用内置的VGG模型进行迁移学习的演示。数据集是前面『PyTorch四种天气分类数据集下载及代码（Dropout、BatchNorm）』里的四种天气图片，所以本文就不再提供数据集的下载。其实在迁移学习中，唯一的不同就是网络模型。注意使用参数pretrained=True获得基于ImageNet的...
用到的数据集是四类天气图片（分别为cloudy、 rain、 shine、 sunrise），提供了数据集，当然这个不是直接进来读取的，需要用代码进行划分训练集以及测试集（具体见文『Python代码将图片自动分成训练train文件夹、测试test文件夹，子目录是具体类别』）。为了抑制过拟合，添加了BatchNorm层以及Dropout层。需要注意的是，只有在训练集的里面需要用到，因此在训练的...
在PyTorch中，卷积层函数Conv2d是一个最常见的一个函数了，但是对于里面的参数理解却让人迷糊。因为in_channels和out_channels都是channel，但是意思却不一样。本文主要写写对于这个参数的进一步理解。
在前面文章『pytorch基于MNIST数据集多分类问题完整代码示例(全连接网络)』中，使用的是全连接层网络进行识别，但是在图像识别上一般不适用全连接层，因为如果是比较大的图像，会导致训练的参数量过于庞大。所以一般选择CNN方法，卷积神经网络的工作原理在文章『了解卷积神经网络CNN的基本原理』进行了大致的描述。本文的主要是使用pytorch框架写的CNN识别手写数字数据集，和全连接的代码相比...
在二分类问题（逻辑回归）时，使用sigmoid函数返回一个0~1的概率。在多分类问题的时候，则需要使用softmax函数来进行分类。在pytorch 里，对于多分类问题我们使用nn.CrossEntropyLoss()和nn.NLLLoss等来计算softmax交叉嫡。在本文的示例代码中使用MNIST数据集，进行一个完整的PyTorch训练示例。
