Pytorch 及 numpy 常用函数_个人记录不断加入

左手的ㄟ右手 2023-03-14 05:49 8阅读 0赞

**在写网络初始设置的**，设置以后，之后创建的tensor都默认为该形式，cpu或者gpu，类型

torch.set_default_tensor_type（）

可选参数：'torch.cuda.FloatTensor'、 'torch.FloatTensor'

\--------------------------------------------

1、在你使用固定大小的图像进行训练的时候设置为True，加快训练速度

import torch.backends.cudnn as cudnn
    cudnn.benchmark = True

** 上采样：**

1、nn.ConvTranspose2d

逆卷积

(in_channels, out_channels, kernel_size, stride=1,padding=0,output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros'):

2、nn.Upsample

已经有新的了下面的3

源码提示：warnings.warn("nn.functional.upsample is deprecated. Use nn.functional.interpolate instead.")

3、torch.nn.functional.interpolate(in,, size=size2, scale\_factor=2, mode='nearest')

因为可以输入尺寸，所以这个可以解决单数在下采样上采样与原feature结合尺度不一的问题

input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None

\---------------------------------------

**1、tensor类型的改变**

input = torch.Tensor(3, 5)
    
    newtensor = input.long()
    newtensor = input.half()
    newtensor = input.int()
    newtensor = input.double()
    newtensor = input.float()
    newtensor = input.short()
    
    newtensor = input.type(torch.FloatTensor)
    newtensor = input.type(torch.LongTendor)

**2、tensor->numpy**

tensor.detach().cpu.numpy()

**3、numpy->tensor**

torch.from_numpy(input)

-----------------------------------------

**torch维度变化：**

x = torch.squeeze(x)   #张量去除维度为1的
    
    x = torch.unsqueeze(x, 3)   # 在第3个维度上扩展
    
    x = x.permute(0, 2, 3, 1) # 交换维度，重新排列
    
    x = torch.cat(a, b)  # 拼接
    
    x = x .reshape(batch，-1)    # 改变形状
    
    x = x.view(batch, -1)   # 改变形状

nump维度变化

np.swapaxes()  # 两个维度交换
    np.transpose()  # 维度重新排序
    np.reshape()  # 需要直接输入新的shape
    
    c = b.ravel()  # 铺平变为一维
    np.expand_dims（）
    np.newaxis

np.arange(起，终，间距)

np.arange 创建等差数组\[ ）

x,y = np.meshgrid（\[1,2\], \[3,5,6\]） 生成棋盘矩阵x= \[1,2\],\[1,2\],\[1,2\]y=\[3,3\]\[5,5\]\[6,6\]

\----------------------------------------------

**新建tensor**：

a = torch.rand(3, 3)
    
    a = torch.ones(3, 3)  # 3*3,全1矩阵
    
    a = torch.zeros(3, 3) # 3*3,全0矩阵
    
    a = torch.eye(3, 3)  # 3*3,对角线1
    
    b = torch.zeros_like(a)   返回跟input的tensor一个size的全零tensor

**clamp 与clamp\_**　类似np.clip()函数，限制大小，小于min的值变为min大于max的值变为max,有下划线的表示修改并付给自身，无下划线的表示需要返回处理后的值，比如：

h = k.clamp(min=0,max=255)　＃将结果存入ｈ，ｋ保留原值
    
    k.clamp_(min=0,max=255)   # 将结果存入ｋ

\----------------------------------------

**Class属性的操作：hasattr()、getattr()、setattr()**、分别为判断某一个类是否有这个属性，以及获取该属性的值，以及给类是指一个属性。

class person(object):
        def __init__(self):
            self.name  = 'oo'
            setattr(self, 'age', 15)
    
    P = person()
    if hasattr(P, 'sex') is False:
        setattr(P, 'sex', 'femal')
    print(getattr(P, 'sex'))
    print(getattr(P, 'age'))

**np.hstack:按水平方向（列顺序）堆叠数组构成一个新的数组**

**np.vstack:按垂直方向（行顺序）堆叠数组构成一个新的数组**

\---------------------

import traceback
    
    try:
    
    except Exception as e:
    
      traceback.print_exc() #这样可以打印出错误发生的位置更容易定位错误

--------------------

torch自带的one-hot函数：

torch.nn.functional.one_hot(labels, self.num_classes).float().to(self.device)

字典排序

sk = {key: dic[key] for key in sorted(dic.keys())}
    sk1 = [d for d in sorted(dic.items(), key=lambda d: d[0], reverse=False)]
    
    sv = [d for d in sorted(dic.items(), key=lambda d: d[1], reverse=False)]

格式化输出

print('%-10s => %010d Label: %-20s' % (721, 3, 888))
    %-左对齐
    %-10，宽度为10个字符
    %-10s，输出为字符串
    %010，用0填充不足10字符的位置，整型浮点型有效，字符串无效
    
    d = 'norm{0}'.format(i)

a.numel()  元素个数