一、環境搭建
當前：Windows10 + Anaconda3.6
1.1 創建PyTorch的虛擬環境
打開Anaconda中的Anaconda Prompt那個黑框框，輸入：
#注意這里pytorch是自己設置的虛擬環境名稱，可以隨意取
conda create --name pytorch python=3.6
之后輸入y，創建pytorch虛擬環境。以下是一些常規命令：
#進入到虛擬環境
activate pytorch
#切回root環境
activate root
#刪除虛擬環境
conda remove -n pytorch --all
#查看當前存在哪些虛擬環境
conda info -e
1.2 安裝PyTorch
鏈接PyTorch官網，可以任意選擇安裝環境 https://pytorch.org/
#例：無CUDA安裝
conda install pytorch-cpu torchvision-cpu -c pytorch
二、基礎知識--Tensor
之前只用過Tensflow，學習pytorch時候，第一念頭就是tensor，下面寫一些入坑筆記，更多的pytorch知識參見文末的參考文獻。
PyTorch中的Tensor常用類型有：float,int,bool...
Tensor和Numpy中的ndarray很多操作類似，兩者之間也可以相互轉換
2.1 Tensor的構建
import torch
a = torch.FloatTensor(2,3) #2x3浮點型張量
c = torch.IntTensor(2,3) #2x3整數型張量
b = torch.FloatTensor([1,2,3,4]) #浮點型張量2,3,4,5
d = torch.IntTensor([1,2,3,4]) ##整數型張量2,3,4,5
i = torch.empty(2,3) #創建一個2x3Tensor
e = torch.rand(2,3) #隨機生成2x3的浮點型Tensor，元素值在0~1區間均勻分布
f = torch.randn(2,3) #隨機生成2x3的浮點型Tensor，元素取值滿足均值為0，方差為1的正態分布
g = torch.arange(2,8,1) #自定義起始值2、結束值8、步長1的浮點型Tensor
h = torch.zeros(2,3,dtype=torch.long) #元素值全部為0的2x3long型Tensor
#根據現有張量創建新張量，沿用之前的屬性（除非重新設置）
x = torch.IntTensor(5,3)
x = x.new_ones(5, 3, dtype=torch.double)
x = torch.randn_like(x, dtype=torch.float)
#查看張量維度
print(x.size()) #返回tuple
2.2 Tensor的計算
import torch
#加(size和dtype需一致)
torch.add(a,c) #a,c兩張量對應元素相加
torch.add(a,10) #張量a每個元素加10
c.add_(a) #a+c並賦值到c
#NOTE:任何以_ 結尾的操作都會用結果替換原變量. 如: x.copy_(y), x.t_(), 都會改變 x.
#乘法(點乘)(size和dtype需一致)
torch.mul(a,c) #a,c兩張量對應元素相乘
torch.mul(a,10) #張量a每個元素乘以10
#矩陣乘法(x乘)
torch.mm(a,c) #張量a,c進行矩陣乘法
#除法(size和dtype需一致)
torch.div(a,c) #a,c兩張量對應元素相除
torch.div(a,10) #張量a每個元素除以10
#冪
torch.pow(a,2) #張量a的平方
#絕對值
torch.abs(a) #張量a中元素值全部取絕對值
#元素值自定義裁剪
torch.clamp(a,-0.1,0.1) #張量a的元素與上下邊界0.1,-0.1比較，超過上邊界的元素裁剪為0.1,超過下邊界的裁剪為-0.1
#切片
#任何NumPy索引方式的操作適用於Tensor
print(a[:,1]) #返回第2列
#單元素Tensor取值
#若張量只有一個元素tensor([-1,2334])，可使用.item()來得到Python數據類型的數值
x.item()
#張量維度和大小改變
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # -1 表示從其他維度推斷
print(x.size(), y.size(), z.size())
#torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
三、小案例--YOLOv3紅細胞檢測
這里主要用紅細胞檢測為案例（自己百度下載並標注了一些蘋果橘子圖片，同樣流程也完成了目標檢測），結果展示：
3.1 LabelImg數據標注
對JPEGImages文件夾中的原始圖像進行目標標注，使用的工具是LabelImg，YOLOV3的label標注的一行五個數分別代表類別編號，BoundingBox 中心 X 坐標，中心 Y 坐標，寬，高（這些坐標都是 0～1 的相對坐標）。labelImg下載及使用方法參見：
https://blog.csdn.net/python_pycharm/article/details/85338801#commentsedit
最后將數據整理成兩個文檔存在data/custom文件夾里
Annotations存放標注后的xml文件
JPEGImages存放原始圖片
紅細胞標注后的數據下載參見的是https://github.com/cosmicad/dataset
3.2 數據預處理
1）復制JPEGImages，重命名為images
--為了和之后代碼（utils/datasets.py）中路徑保持一致
2）建立兩個空的文件夾ImageSets，labels
3）運行makeTxt.py，將數據分為訓練集，測試集和驗證集
--在ImageSets下得到四個txt文件，train,test,valid,trainval
4）運行voc_label.py（記得修改其中的classes為自己數據集要檢測的類別），得到訓練集，測試集和驗證集的具體路徑以及具體labels信息
--得到train，test,valid三個txt，labels中的五點標注txt信息
其中makeTxt.py和voc_label.py參見https://blog.csdn.net/public669/article/details/98020800
3.3 文件配置
在data/custom目錄下新建classes.names--要檢測物體的名稱
在config目錄下新建custom.data--一些聲明，包括類別數、train和valid的路徑、class.names
注：classes.names文件最后要留一個空行，不然會報錯list index out of range，詳情見
https://github.com/eriklindernoren/PyTorch-YOLOv3/issues/177
3.4 模型訓練測試及試用
代碼參考的是大神的https://github.com/eriklindernoren/PyTorch-YOLOv3
因為coco數據集太大了，下載要好久，就考慮用小點的數據來學習，不過原代碼已經保存好訓練權重yolov3.weights了，可以直接進行coco數據集（80類）目標檢測
#下載訓練好的coco數據集權重
cd weights/
bash download_weights.sh
#目標檢測
python3 detect.py --image_folder data/coco_samples/
--修改cfg中的learning_rate=0.005 #原來是0.001
--修改train和test.py中的batch_size=4 #原來為8，不改的話報錯shape is invaid for input of size
#自定義模型
cd config/
bash create_custom_model.sh 1 #紅細胞檢測只有一個類別,蘋果橘子測試有兩個類別，根據需求更改
#模型訓練
cd /home/kiki/PyTorch-YOLOv3 #注意修改成自己的路徑
python3 train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --epochs 500
#--最后Total Loss 0.165
#查看Tensorboard
tensorboard --logdir=PATH\logs
#測試
python3 test.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --weights_path checkpoints/yolov3_ckpt_499.pth --class_path data/custom/classes.names
#--最后AP=0.782，mAP=0.782
#紅細胞檢測
python3 detect.py --image_folder data/samples/ --model_def config/yolov3-custom.cfg --weights_path checkpoints/yolov3_ckpt_499.pth --class_path data/custom/classes.names --checkpoint_model checkpoints/yolov3_ckpt_499.pth --conf_thres 0.95 --nms_thres 0.4
3.5 踩過的坑
踩過的坑有很多，沒有一一記錄，選幾個常見的報錯整理了下：
1、執行detect.py出錯
python3 detect.py --image_folder data/coco_samples/
命令行執行報錯：
qt.qpa.screen: QXcbConnection: Could not connect to display
Could not connect to any X display.
原因：沒裝Xmanager，裝上就好了，Xmanager下載地址：http://www.xshellcn.com/
2、執行train.py報錯ValueError: not enough values to unpack (expected 3, got 0)
修改：train.py中150行
if epoch % opt.evaluation_interval == 0:
改為
if epoch % opt.evaluation_interval == 1:
3、執行train.py報錯IndexError: index 0 is out of range
重復構建模型，刪除已有的yolov3-custom.cfg模型，重新bash create_custom_model.sh <num_class>
4、執行train.py報錯RuntimeError: cannot perform reduction function max on tensor with no elements because the operation does not have an identity
檢查data/custom中的數據，xml文件和圖片個數是否一致，labels中是否有空的txt等
參考資料
https://github.com/zergtant/pytorch-handbook
https://pytorch.org/tutorials/
https://github.com/L1aoXingyu/code-of-learn-deep-learning-with-pytorch
https://blog.csdn.net/public669/article/details/98020800
https://github.com/eriklindernoren/PyTorch-YOLOv3
http://www.pianshen.com/article/1287380494/