最近开始写了自己项目的第一个pytoch神经网络，其实官方的文档和案例已经写的很不错了，但是还是有很多的坑，尤其是在数据集以及损失函数方面有问题，记录一下（顺序乱，请酌情使用Ctrl+F）：
1、Loss在使用之前要实例化。
这个其实很容易理解，无论是我们自己定义loss类还是直接使用torch的内置损失函数，都是类的方法调用，因此在使用之前要进行实例化
这里贴出我使用的损失函数类，用于颜色恒常性研究的（Color constancy），也希望大佬们指点一下看看有没有写错，使用的是常用的角度误差函数（训练的时候loss有的时候出现nan，现在还不确定是不是损失函数写错了，过后更新）
#定义损失函数
class angleloss(nn.Module):
def __init__(self):
super().__init__()
def forward(self,w1,w2):
z = torch.mul(w1,w2)
z = torch.sum(z,dim = 2)
m1 = torch.pow(w1,2)
m1 = torch.sum(m1, dim = 2)
m1 = torch.pow(m1,0.5)
m2 = torch.pow(w2,2)
m2 = torch.sum(m2, dim = 2)
m2 = torch.pow(m2,0.5)
m = torch.mul(m1,m2)
out = torch.div(z,m)
out = torch.acos(out)
out = torch.sum(out)
return out
myloss = angleloss()
2、网络的input是以batch形式进入的，所以在我们组织图片数据集的时候，要定义好每个batch的大小，这个还是小事情。重要的是在写网络的时候，要注意输入的tensor的第一维度是batch，第二维度是颜色通道，之后是长宽，不要弄混了。
3、若做图像的时候想取其中一个颜色通道，要用切片的方式而不是引用的方式，引用方式会改变tensor的维度，时期第二维度消失。这个应该很容易理解，例如我们取list中的某个数字，使用的是引用的方式，list变成了零维数字；而用切片，则还是list。
例如，网络输入tensor.shape = [64,3,32,32] 我要取RGB通道中的R通道，则应该用[：,0：1,：,：]（用了中文冒号别介意，英文看不清），这样取出来的tensor是[64,1,32,32]
4、定义损失函数类的时候，也要注意传入的tensor第一维度是batch，在写损失函数的时候要避免对第一维度进行操作，而在最后需要在第一维度上把所有loss进行相加。也就是说一组batch（多个图片训练结果）只输出一个loss。
5、在建立数据集时，
> transforms.ToTensor()
需要在
transforms.Normalize()
之前，在图像的操作之后，例如：
color_dataset = ColorConstancyDataset(csv_file="E:\\e_data\\groundtruth.csv",
root_dir="E:\\e_data\\",
transform = transforms.Compose([
transforms.Resize(64),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
]))
6、图像载入
pytorch的图像载入可以用opencv，也可以用Image包，但是对图像进行颜色通道转换的时候，Image会报错，需要用opencv将图片读取（这个时候图片是矩阵格式），并使用cv2.cvtColor()函数进行颜色空间转换，再使用Image.fromarray()将矩阵（图片）转换为Image格式，只有这个格式可以应用后面的transforms.ToTensor()，否则需要自己写totensor的方法。
7、GPU加速问题
我们都知道，在驱动CUDA等环境配好支持GPU加速的时候，可以使用.cuda()将模型放在GPU上跑，但是这个.cuda()加在哪里，这里进行一下总结说明：
首先，对于训练时初始化模型的时候，需要加
其次，导入的数据在放入模型训练的时候，需要加
最后，计算损失函数时，groundtruth调用的时候，需要加。
net = self_subtraction_net(self_subtraction_block).cuda()
outputs = net(inputs.cuda())
loss = myloss(outputs.cuda(), labels)