dir()
它可以展示一个package中所有的方法和类，以列的方式展示出来。
help()
它可以具体展示某个方法或者类的使用说明，也可以使用方法??后面接两个问号的方式，实现提示功能
jupyter，python console，python文件的区别和使用
python文件：他会将所有内容都重新编译运行，比较耗时，适合完整的大型项目
jupyter，python console：都可以将每一个python语句拆分成任意块去单独执行。执行速度快。不会重复运行
但是python console如果出了错误。会很影响阅读体验。因此常用来做测试
而jupyter有着文字和代码共存的特性适合用来做笔记和学习

TensorBoard的使用
他可以将数据转化成图表类型，更加的可观，明了。
例1：

from torch.utils.tensorboard import SummaryWriter
# from read_image import img_array
writer = SummaryWriter("logs") # 他会生成这个文件夹，并在close后写入数据

# print(type(img_array))
# print(img_array.shape)
# writer.add_image("test",img_array,1,dataformats='HWC')
# y = x
for i in range(100):
    writer.add_scalar("y=2x",2*i,i)

writer.close()

然后在cmd窗口打开tensorboard，使用该命令tensorboard --logdir=logs --port=6006，他默认端口为6006

同样的，可以添加图片，即将上述代码的注释去除。
并带上这些读取图片的代码：

from PIL import Image
import numpy as np
image_path = "data/train/ants-image/0013035.jpg"

img = Image.open(image_path)

img_array = np.array(img)

因为tensorboard读取图片只能使用固定的两种格式的数据，因此我们采用numpy格式的图片读入

transforms
他的本质就是一个强大的工具类，我们通过具体化这些工具类，并生成自己需要的工具，然后使用

# tenser数据类型：通过transforms.ToTenser去实现
# tenser数据类型：就是一个包装了反向神经网络所需要的参数的数据类型
img_path = "data/train/ants-image/0013035.jpg"
img = Image.open(img_path)
# print(img)
tensor_trains = transforms.ToTensor()

tensor_img = tensor_trains(img)

print(tensor_img)

常用的transforms

from PIL import Image
from torchvision import transforms

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")
img = Image.open("images/15.jpg")
print(img)

# ToTensor的使用
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)

# Normalize
print(img_tensor[0][0][0])
trans_morm = transforms.Normalize([0.2, 1.3, 2.1], [3, 2, 1])
img_norm = trans_morm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm, 7)

# Resize
print(img.size)
trans_resize = transforms.Resize((512, 512))
# img PIL -> resize -> img_resize PIL
img_resize = trans_resize(img)
# img_resize PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)
writer.add_image("Resize", img_resize, 0)

# Compose -resize -2
trans_resize_2 = transforms.Resize(512)
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
img_resize_2 = trans_compose(img)
writer.add_image("Resize", img_resize_2, 1)

# RandomCrop
trans_random = transforms.RandomCrop((512, 800))
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCropHW", img_crop, i)
writer.close()

dataset的使用例子

from torch.utils.data import Dataset
from PIL import Image
import os
class MyData(Dataset):
    def __init__(self,root_dir,label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(root_dir,label_dir)
        self.img_path = os.listdir(self.path)

    def __getitem__(self, index):
        img_name = self.img_path[index]
        img_item_path = os.path.join(self.path,img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img,label

    def __len__(self):
        return len(self.img_path)

root_dir = "dataset/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir,ants_label_dir)
bees_dataset = MyData(root_dir,bees_label_dir)

train_dataset = ants_dataset+bees_dataset