pytorch加载数据的方法-没弄，打算弄

参考：https://www.jianshu.com/p/aee6a3d72014

    # 网络，netg为生成器，netd为判别器
    netg, netd = NetG(opt), NetD(opt)
    # 把所有的张量加载到CPU中
    map_location = lambda storage, loc: storage
    # 把所有的张量加载到GPU 1中
    #torch.load('tensors.pt', map_location=lambda storage, loc: storage.cuda(1))
    #也可以写成：
    #device = torch.device('cpu')
    #netd.load_state_dict(t.load(opt.netd_path, map_location=device))
    #或：
    #netd.load_state_dict(t.load(opt.netd_path))
    #netd.to(device)
    if opt.netd_path: #是否指定训练好的预训练模型，加载模型参数
        netd.load_state_dict(t.load(opt.netd_path, map_location=map_location))
    if opt.netg_path:
        netg.load_state_dict(t.load(opt.netg_path, map_location=map_location))
    netd.to(device)
    netg.to(device)

    # 定义优化器和损失，学习率都默认为2e-4，beta1默认为0.5
    optimizer_g = t.optim.Adam(netg.parameters(), opt.lr1, betas=(opt.beta1, 0.999))
    optimizer_d = t.optim.Adam(netd.parameters(), opt.lr2, betas=(opt.beta1, 0.999))
    criterion = t.nn.BCELoss().to(device)

    # 真图片label为1，假图片label为0
    # noises为生成网络的输入
    true_labels = t.ones(opt.batch_size).to(device)
    fake_labels = t.zeros(opt.batch_size).to(device)
    fix_noises = t.randn(opt.batch_size, opt.nz, 1, 1).to(device)#opt.nz为噪声维度，默认为100
    noises = t.randn(opt.batch_size, opt.nz, 1, 1).to(device)

    #AverageValueMeter测量并返回添加到其中的任何数字集合的平均值和标准差,
    #对度量一组示例的平均损失是有用的。
    errord_meter = AverageValueMeter()
    errorg_meter = AverageValueMeter()

再加载预训练模型时，最好指定map_location。因为如果程序之前在GPU上运行，那么模型就会被存为torch.cuda.Tensor，这样加载时会默认将数据加载至显存。如果运行该程序的计算机中没有GPU，加载就会报错，故通过指定map_location将Tensor默认加载入内存(CPU)，待有需要再移至显存