1importos#路径组合2importtorch#is_tensor3importpandasaspd#读取csv4importnumpyasnp#ndarray,reshape,5fromtorch.utils.dataimportDataset,DataLoader#实现数据集和数据集的分组6fromskimageimportio#forimageio7importmatplotlib.pyplotasplt#forplotting8fromtorchvisionimporttransforms,utils#transforms.compose,utils.make_grid()9fromskimageimportio,transform#读取图片,transform.resize10importwarnings
panda:用于解析csv文件
scikit-iamge：读取图像和图像转换
os.path.join()：把不同路径部分拼接在一起，并用/隔开，如果最后一个组分是“”,会在最后的路径名后加上/
自己的数据集类继承与dataset,必须满足
landmark的x,y与image的h,w顺序相反
numpy和torch的image的尺寸顺序不一样transpsoe(())要会用
magicmethod:__init__，__call__
fromsysimportargv
argvandinput()
thedifferencehastodowithwheretheuserisreuqiredtogiveinput.oneincommand,onewhenthisscriptisrunning
tensor.tolist(),tensor仅含一个值时，同item()，返回一个python数字，否则返回一个list
dict.items()返回的是key和value
pandas.DataFrame.as_matrix()返回ndarray
np.arrray()返回ndarray
assertisinstance(output_size,(int,tuple))
enumerate()返回的是一个iterableenumerate对象，参数必须是sequence或者iterable,里面是tuples
.transpose()numpy
whattodo:
处理csv文件，得到landmarks
landmarks与image结合，并进行transform,得到transformed_sample
用data_loader分成batch
howtodo:
sci什么的读取一下文件，转换成ndarray，把名字截掉，然后transpose为68by2(2为x,y坐标)
转换为sample需要一个class，继承data，class需要包含__init__(memoryefficient)和__getitem__，还要传一个transform对象，传参时根据路径读取一下图片，把image和landmark放到词典里，执行transform
python语法
classSingleton(object):_instance=Nonedef__new__(cls,*args,**kwargs):ifcls._instanceisNone:cls._instance=object.__new__(cls,*args,**kwargs)returncls._instances1=Singleton()s2=Singleton()print(s1)print(s2)cls代表需要被实例化的类
输出：
<__main__.Singletonobjectat0x7fdef58b1190><__main__.Singletonobjectat0x7fdef58b1190>还有工厂化，用到再说吧，留坑
torchvision.utils.make_grid(images_batch),把图片放到格子里，此时的image_batch是(B,C,W,H)的tensor,或者是相同尺寸图片的list，padding默认为2，pad_value默认为0
导入一张图片并输出：io.imread(img_name)和scipy.misc.face()
导入sci文件,输出{‘image':image,'sample':sample},pd.read_csv,frame.iloc，frame.as_matrix()：
FaceLandmarkDataset
1、继承Dataset
2、实现__init__和__getitem__和__len__
3、__init__的参数为csv_file,root_dir,transform(可选),局部变量为landmarks_frame,root_dir,transform实现读取csv_file
4、__len__返回landmarks_frame的长度
5、__getitem__参数为idx,实现读取图片，截取对应的landmarks的坐标，转换为ndarray并转置，返回landmarks和image组成的词典。在getitem内实现数据的转变，而不是一次性读取所有的照片，节省内存
返回的landmarks是ndarray,图片也是ndarray
Transform
1、实现__init__和__call__，init设置变量，__call__传递样本
2、__init__的参数为int或者(int,int)计算output.size,call进行对sample进行对应的操作，并返回output(词典)
torchvision.transforms.Compose(transforms)将多个transform组合起来使用,transforms用[]括起来
transform里还要实现一个ToTensor的操作，把landmarks和images转换为Tensor
划分Batch,使用DataLoader，输入DataSet对象：
DataLoader，实现数据集的划分，传入dataset
fromtorch.utils.dataimportDataset,DataLoader
DataLoader可以迭代,支持map-style和iterable-style两种DataSet
对于map-style的dataset，每个batch也是一个词典，使用Key获得imagebatch和labelbatch
输出图片和landmarks
torchvison.utils.make_grid()，接收tensor,plt.imshow(grid),图片全框，padding默认为2
plt.scatter()接受的numpyarray
plt.需要的是np.ndarray，torchvison.utils.make_grid()，接收tensor
practice实现，读取faces图片和相应的csv保存的label，制作出DataSet，数据格式为tensor，transform使用torchvision里已经做好的
用到的画图：
plt.figure()
plt.imshow()
plt.scatter
plt.subpltot()至少3个参数，前两个控制几行几列，第三个控制子图位置
plt.tight_layout()
plt.title()
plt.axi()
plt.ioff
torchvsion.utils.make_grid,传进去的是n张tensor表示的图片，返回的仍然是tensor，用plt画图时需要先转换为numpy，并注意调整维度顺序。