20221024 pytorch numpy

1、np.dot()

np.dot()函数的用法详解_python_脚本之家 (jb51.net)

https://www.cnblogs.com/JunzhaoLiang/p/13295685.html

 2、余弦相似度

(203条消息) 机器学习中的数学——距离定义（八）：余弦距离（Cosine Distance）_von Neumann的博客-CSDN博客_余弦距离

3、全连接

如果是23类别，就取最大的，如果是512，就是特征向量，直接拿来计算余弦相似度。

nn.Linear（512,23）

4、欧式距离

(203条消息) n维空间的欧氏距离公式_特征向量的距离度量_484773的博客-CSDN博客

5、pytorch 学习文档

https://pytorch.apachecn.org/#/

6.tensor中的view()、sequeeze()、resize()操作_tensor.view_fly_Xiaoma的博客-CSDN博客

7.requires_grad，grad_fn，grad的含义及使用_dlage的博客-CSDN博客 

8.详解Numpy数组转置的三种方法T、transpose、swapaxes - 风纳云

9.tensor维度

1 # 形状为[]，零维

[1,2,3] # 形状为[3]，一维

[[1,2],[3,4]] # 形状为[2,2]，二维

[[[1,2],[3,4]],[[1,2],[3,4]]] # 形状为[2,2,2]，三维

10.

【PyTorch】torch.max()和torch.topk() - 知乎

【菜菜的CV进阶之路-Pytorch基础-库函数】topk()详解_.topk()_智慧地球（AI·Earth）的博客-CSDN博客

11.

【pytorch】view和reshape底层原理 - 知乎

tensor.view(1, -1) 是 PyTorch 中用于改变张量形状的操作之一。具体来说，这个操作将一个张量从原来的形状转换为一个新的形状，其中第一个维度（通常是批次维度）设置为1，而剩余的维度被自动计算以保持总元素数量不变。

• 第一个维度（1）：这个操作将原来的张量视为具有批次维度的张量，其中批次大小为1。这在某些情况下很有用，特别是当您要处理单个样本的情况时。

• -1：这是一个特殊的参数，它告诉 PyTorch 自动计算该维度的大小，以保持张量的总元素数量不变。换句话说，它会根据张量的总大小和已知的维度来计算出新维度的大小。

以下是一个示例，说明如何使用 tensor.view(1, -1)：

假设有一个形状为 (2, 3) 的张量：

luaCopy code

tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

使用 tensor.view(1, -1) 将其形状更改为 (1, 6)，如下所示：

makefileCopy code

reshaped_tensor = tensor.view(1, -1)

reshaped_tensor 的形状现在是 (1, 6)，表示它是一个批次大小为1的张量，包含6个元素。原始张量的元素顺序保持不变，只是形状发生了变化。

这种操作在神经网络中常用于处理单个样本，因为许多神经网络库（包括 PyTorch）通常期望输入是批次的形式，即使处理单个样本时也不例外。

12.
翻转数组（flip()函数）--numpy_np.flip_牵牛花主人的博客-CSDN博客

13.

numpy的concatenate()、hstack()、vstack()、stack()函数分析_npconcatenate函数类似_RedMery的博客-CSDN博客

14.卷积

nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,

bias=False)

Pytorch的nn.Conv2d（）详解-CSDN博客

 

Conv W(64*3*7*7) B(64)代表什么

在深度学习中，Conv 通常代表卷积层。对于一个卷积层，通常有两个主要组成部分：卷积核权重（W）和偏置（B）。

1. W（6437*7）：

   • 64：表示卷积层中有64个卷积核（或滤波器）。
   • 3：表示每个卷积核有3个通道，通常对应于输入数据的通道数。例如，如果输入是彩色图像，有红、绿、蓝三个通道。
   • 7*7：表示每个卷积核的大小为7x7。这是卷积核在输入数据上滑动时所覆盖的空间区域的大小。

   因此，W 包含了卷积层中所有卷积核的权重参数。

2. B（64）：

   • 64：表示卷积层中有64个偏置项，每个卷积核对应一个偏置项。

偏置（B）用于在卷积操作后引入非线性，它为每个卷积核提供了一个偏移量。在卷积操作中，每个卷积核与输入数据进行卷积运算，并加上相应的偏置项。这有助于模型更好地适应不同类型的特征。

综合起来，Conv W(64*3*7*7) B(64) 描述了一个拥有64个卷积核、每个卷积核有3个通道、大小为7x7的卷积层，同时有64个偏置项。