torchvision是獨立於PyTorch的關於圖像操作的一個工具庫，目前包括六個模塊：
torchvision.datasets：Torch框架中常用的數據集集成與使用
torchvision.models：經典模型積累，torchvision.models.resnet18
torchvision.transforms：常用的圖像操作，例隨機切割、旋轉、數據類型轉換、tensor與numpy 和PIL Image的互換等
torchvision.utils：其他工具，比如產生一個圖像網格等
from torch import transform
torchvision中常用的數據擴增方法
transforms.CenterCrop 對圖片中心進行裁剪
transforms.ColorJitter 對圖像顏色的對比度、飽和度和零度進行變換
transforms.FiveCrop 對圖像四個角和中心進行裁剪得到五分圖像
transforms.Grayscale 對圖像進行灰度變換
transforms.Pad 使用固定值進行像素填充
transforms.RandomAffine 隨機仿射變換
transforms.RandomCrop 隨機區域裁剪
transforms.RandomHorizontalFlip 隨機水平翻轉
transforms.RandomRotation 隨機旋轉
transforms.RandomVerticalFlip 隨機垂直翻轉
import sys
sys-系統特定的參數和功能
torch.manual_seed(args.seed) #爲CPU設置種子用於生成隨機數，以使得結果是確定的
if args.cuda:
torch.cuda.manual_seed(args.seed)#爲當前GPU設置隨機種子；如果使用多個GPU，應該使用torch.cuda.manual_seed_all()爲所有的GPU設置種子。
from keras.layers import UpSampling2D
UpSampling2D爲pooling2D的相反，上採樣層
BP反向傳播通用代碼：
使用Torch框架的進行模型訓練的BP反向傳播代碼：
model=Model(input)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
#模型訓練
for e in range(1000):
var_x = Variable(train_x)
var_y = Variable(train_y)
out = model(var_x)# 前向傳播
loss = criterion(out, var_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (e + 1) % 100 == 0: # 每 100 次輸出結果
print(‘Epoch: {}, Loss: {:.5f}’.format(e + 1, loss.data[0]))
model.eval()
data_X = data_X.reshape(-1, 1, 2)
data_X = torch.from_numpy(data_X)
var_data = Variable(data_X)
pred_test = model(var_data) # 測試集的預測結果
pred_test = pred_test.view(-1).data.numpy()
matplotlib.pyplot的API說明
plt.legend（）#繪圖圖例
import numpy as np
import pandas as pd
data_csv = data_csv.dropna() # 濾除缺失數據
dataset = data_csv.values # 獲得csv的值
dataset = dataset.astype(‘float32’)
max_value = np.max(dataset) # 獲得最大值
min_value = np.min(dataset) # 獲得最小值
scalar = max_value - min_value # 獲得間隔數量