note

1,device = torch.device("cuda" ) 决定是否使用cuda
2,transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])
R,G,B三个波段的均值和方差
transforms.ToTensor()]
'Epoch {}/{}'.format(epoch, num_epochs - 1) 字符串格式
3,pytorch数据读入
（1）torch.utils.data.Dataset
是一个抽象类, 自定义的Dataset需要继承它并且实现两个成员方法:
__getitem__()
__len__()
第一个最为重要, 即每次怎么读数据. 以图片为例:
就是返回整个数据集的长度:
from torch.utils.data import DataLoader
class torch.utils.data.DataLoader(dataset, batch_size=1,  num_workers=0)
dataset : 即上面自定义的datasetdataset : 即上面自定义的dataset
num_worker: 简单的多线程方法
4.模型建立
class Unet(nn.Module):
    def __init__(self,in_ch,out_ch):#通道
    def forward(self,x):
    return out
class DoubleConv(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(DoubleConv, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True)
        )

    def forward(self, input):
        return self.conv(input)
5,模型权重导入
# 保存整个网络
torch.save(net, PATH)
# 保存网络中的参数, 速度快，占空间少
torch.save(net.state_dict(),PATH)

model_dict=torch.load(PATH)
model_dict=model.load_state_dict(torch.load(PATH))


torch.save({'epoch': epochID + 1, 'state_dict': model.state_dict(), 'best_loss': lossMIN,
                            'optimizer': optimizer.state_dict(),'alpha': loss.alpha, 'gamma': loss.gamma},
                           checkpoint_path + '/m-' + launchTimestamp + '-' + str("%.4f" % lossMIN) + '.pth.tar'

def load_checkpoint(model, checkpoint_PATH, optimizer):
    if checkpoint != None:
        model_CKPT = torch.load(checkpoint_PATH)
        model.load_state_dict(model_CKPT['state_dict'])
        print('loading checkpoint!')
        optimizer.load_state_dict(model_CKPT['optimizer'])
    return model, optimizer

#倘若维度不一致需要重新弄维度