Python Learning Notes

这是我的 Python、NumPy、Matplotlib 和 PyTorch 学习记录。仓库只保留经过筛选的代码练习，用于记录从基础语法到计算机视觉模型训练的学习过程。

当前内容

目录	内容	能力点
01_numpy	数组创建、索引、运算、图像批处理	维度、广播、归一化、NHWC/NCHW 转换
02_matplotlib	曲线、散点图、柱状图、图像和子图	实验结果可视化
03_pytorch_basics	线性回归、MNIST 多层感知机	Tensor、nn.Module、损失函数、优化器、训练循环
04_computer_vision	MNIST CNN、自定义 Dataset、ResNet18	卷积网络、DataLoader、训练与验证

环境安装

建议使用 Python 3.10 或 3.11，并在虚拟环境中安装依赖：

python -m venv .venv
.venv\Scripts\activate
python -m pip install -r requirements.txt

如果需要 GPU 版本的 PyTorch，请根据显卡和 CUDA 环境使用 PyTorch 官方安装页面生成安装命令。

运行示例

python 01_numpy/05_image_batch_practice.py
python 03_pytorch_basics/01_linear_regression.py
python 04_computer_vision/01_mnist_cnn.py

02_custom_dataset_resnet18.py 需要自行准备花卉分类数据，目录约定如下：

04_computer_vision/
└── flower_data/
    ├── train_filelist/
    ├── val_filelist/
    ├── train.txt
    └── val.txt

标注文件每行格式为 image_001.jpg 0。数据集和训练权重不会提交到仓库。

相关项目

本仓库记录基础练习。以下独立项目展示了从数据处理到训练、评估和推理的完整流程：

• GTSRB Traffic Sign Recognition：交通标志分类、官方测试集评估与 C++ ONNX 推理。
• Flowers102 ResNet18：迁移学习与从头训练的对比实验。

说明

部分代码是在课程学习过程中完成并经过个人注释与整理的练习，不包含课程视频、课件、完整第三方项目、数据集或模型权重。本仓库用于学习记录，不把跟练代码表述为原创研究成果。