目錄
2.1 在哪兒下載 engine.py transforms.py utils.py?
3 個人對於tensorflow caffe pytorch的淺顯體會
1 學習pytorch進行圖像處理的四個必用鏈接：
先附上pytorch的中文和英文版教程鏈接，Pytorch API手冊，以及github圖像庫鏈接：
英文：https://pytorch.org/tutorials/index.html
API:https://pytorch.org/docs/stable/index.html
vision:https://github.com/pytorch/vision
2 運行Mask R-CNN例程時的問題點
學習Pytorch中，在windows下運行教程中的例子，發現還有一些地方存在不明白的，現總結如下。
2.1 在哪兒下載 engine.py transforms.py utils.py?
教程裏沒有給出鏈接，是在github上pytorch的torchvision repository裏面：
https://github.com/pytorch/vision/tree/master/references/detection
當然，運行的時候還是會提示各種錯誤，那是因爲一些依賴的.py沒有，依然可以從上面的鏈接中找到，特別的：
coco_utils.py coco_eval.py
將上述.py都下載下來，拷貝到例程所在的文件夾下。
話說如何下載？之前我沒有github賬號的時候，右邊都有clone download的按鈕，現在登錄了，卻沒有了下載的按鈕，或者它就沒有打包。。。百度後發現了下載的方法：
Github下載xxx.py文件的方法
點開需要下載的那個.py文件，然後代碼的右上角有個“Raw”的標籤，右鍵->鏈接保存爲 ,,即可下載了。
再運行，就會出現終極錯誤。找不到pycocotools，請繼續步驟2
2.2 安裝pycocotools
直接pip install pycocotools是會報錯的，參考下面鏈接的方法：
發現沒有git，然後又參考 https://blog.csdn.net/qq_32786873/article/details/80570783 進行安裝，但是github很不穩定，網速很慢，就在csdn上搜了一個需要積分的下載下來，40多M。安裝好後，添加環境變量，然後在之前的cmd裏面執行git --version，提示依然沒有git。
好像是沒有更新吧，關閉命令行窗口，重新打開後，git就出現了！然後按照剛纔的鏈接，開始下載pycocotools。我是等了好一會兒，才安裝好。
2.3 手動輸入代碼時出現的一些問題
由於代碼是我手動輸入的，出現了很多小錯誤。
在編寫PennFudanDataset時，方法__getitem__函數忘記添加 return：
在PennFudanDataset裏，masks誤寫爲mask
寫完最後一個main方法後，沒有添加執行 main：
以及出現這種錯誤：
RuntimeError: Given transposed=1, weight of size 1024 256 2 2, expected input[78, 256, 14, 14] to have 1024 channels, but got 256 channels instead
有一種說法是沒有將圖像轉化爲“RGB’，查看代碼後發現已經轉化了，那問題在哪兒呢？
很明顯是該層的輸入通道與實際得到的通道數不匹配，再次檢測代碼，是這裏錯了，
model.roi_heads.mask_predictor = MaskRCNNPredictor(in_features,
hidden_layer,
num_classes)
是輸入特徵數錯了，改成in_features_mask，一切就OK啦
in_features_mask = model.roi_heads.mask_predictor.conv5_mask.in_channels
2.4 CPU模式下運行代碼的小BUG
發現了一個小bug，這個代碼本意是想能在GPU和CPU上都兼容運行的，但是個人認爲作者僅在GPU上跑通，CPU上運行很慢，而且在evaluate()的時候會報錯。
engine.py的86行：
torch.cuda.synchronize()
這句話就默認了當前是GPU模式，沒有GPU的話這裏就報錯了，因此，個人給添加了一句話：
if torch.cuda.is_available():
torch.cuda.synchronize()
這樣在沒有GPU的時候，bypass了CUDA同步的操作。問題解決！下面是evaluate的運行結果：
Test: [ 0/50] eta: 0:13:53 model_time: 16.3845 (16.3845) evaluator_time: 0.2324 (0.2324) time: 16.6657 data: 0.0489
Test: [49/50] eta: 0:00:13 model_time: 13.2440 (13.5054) evaluator_time: 0.1157 (0.1208) time: 14.0909 data: 0.0177
Test: Total time: 0:11:22 (13.6521 s / it)
Averaged stats: model_time: 13.2440 (13.5054) evaluator_time: 0.1157 (0.1208)
Accumulating evaluation results...
DONE (t=0.06s).
Accumulating evaluation results...
DONE (t=0.04s).
IoU metric: bbox
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.001
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.008
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.005
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.001
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.010
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.136
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.060
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.144
IoU metric: segm
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.017
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.020
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.017
3 個人對於tensorflow caffe pytorch的淺顯體會
總結一下學習Pytorch的體會：
1. 與python原生風格貼合緊密，用起來很順手，就像numpy一樣。
2.與tensorflow相比，可以及時調試，發現問題，不像tensorflow那樣，雖然有eger模式，但還是不習慣那種with session，更不習慣花大力氣去維護變量，要知道起名還是很難爲人的，雖然tensorflow有slim版本，但是在也不願意去委屈自己，天天升級習慣。
3.跟caffe比起來，pytorch簡直是明瞭許多，不用再去看好幾千行的caffemodel文件了，改一個模型，名字就得換半天，太焦心了，而且還得使用各種shell命令去訓練和評估模型。特別的，使用這個腳本from engine import train_one_epoch, evaluate，可以使用簡單的幾行代碼進行訓練，特別方便。
4.pytorch將神經網絡的主體規範化，做到十分明瞭。而最讓人頭疼的數據集加載方面，還是比較出色的，用python的風格來加載數據，入手很快，也容易理解，debug模式很容易找到問題所在。
總之，在簡單使用了三個流行的深度學習平臺後，很推薦新手使用pytorch入門。