打卡-2023-3-31

python

内嵌语法

列表、字典、集合的推导式

numbers = [1, 2, 3, 4, 5]
squares = [n**2 for n in numbers]
print(squares)  # 输出 [1, 4, 9, 16, 25]

等价于

numbers = [1, 2, 3, 4, 5]
squares = {n: n**2 for n in numbers}
print(squares)  # 输出 {1: 1, 2: 4, 3: 9, 4: 16, 5: 25}

三目运算符

基本语法

value_if_true if condition else value_if_false

其中，condition 是要判断的条件，如果它为 True，则返回 value_if_true，否则返回 value_if_false。

示例

x = 5
print("x is positive" if x > 0 else "x is non-positive")

等价于

x = 5
if x > 0:
    print("x is positive")
else:
    print("x is non-positive")

整除运算符 //

两数相除，结果向下取整

函数的可选参数

如randrange(start, stop[, step])中的[, step]
表示step是可选参数，不提供step参数时，默认为1

函数的可变位置参数，可变关键字参数

*args用于接受可变数量的位置参数。它会将多个位置参数打包成一个元组，传递给函数，函数内部可以通过遍历元组的方式，获取每个位置参数的值。例如：

def my_func(*args):
    for arg in args:
        print(arg)

my_func(1, 2, 3, 'hello')

输出

1
2
3
hello

**args用于接受可变数量的关键字参数。它会将多个关键字参数打包成一个字典，传递给函数，函数内部可以通过字典的键值对来获取每个关键字参数的值。例如：

def my_func(**kwargs):
    for key, value in kwargs.items():
        print(key, value)

my_func(a=1, b=2, c=3, d='hello')

输出

a 1
b 2
c 3
d hello

如果同时使用了可变位置参数、args和可变关键字参数，它们的顺序应该是：位置参数、*args、关键字参数、**args

文件处理

os.scandir(path)

扫描路径path下所有文件和子目录，返回包含这些信息的迭代器对象
os.scandir返回一个包含目录中的文件和子目录的迭代器。每个条目是一个DirEntry对象，包含有关该条目的元数据，如文件名、大小、创建时间和修改时间等。使用os.scandir可以遍历一个目录，而不需要在内存中创建一个完整的列表，从而可以减少内存开销和提高性能。此外，DirEntry对象还具有访问文件系统属性和操作文件的方法。

os.listdir(path)

os.listdir返回一个包含指定目录下所有文件和子目录名称的列表。每个子项是字符串类型，表示文件名或子目录名。

pytroch

load函数的参数map_location

当没有gpu时，使用此函数将gpu上的张量映射到cpu上

if cpu:
    kwargs = {'map_location': lambda storage, loc: storage}

if resume == -1:
    load_from = torch.load(
        os.path.join(apath, 'model_latest.pt'),
        **kwargs
    )

深度学习

patch

patch：小块，小片；补丁

将图像像素矩阵划分成诸多小矩阵，这些小矩阵就称为patch

patch重叠

当图片分辨率过大时，受限于计算机资源，计算机无法直接对整个图像像素矩阵计算。
将整个图像像素矩阵划分成patch，计算机可以直接对patch处理

同时也可以将“数据增强”的方法，应用在patch划分的过程中

chop

防止输入图像太大，占据过多计算资源

将大图像，分割成诸多小块
对小块进行处理，最后将小块的处理结果拼接，得到最终结果

chop不重叠

设置阈值，当图像大小大于阈值时，采用chop策略

self-ensemble 自集成

使用在test（或inference）阶段的数据增强方式

与train阶段不同，test阶段不能直接对test数据集数据集增强
这将导致数据分布与test数据集不同

这时候就可以采用self-ensemble数据增强方式
在对一张图像进行多次预测，每次预测采用不同数据增强方式，最后结果取平均值

gradient clipping

梯度剪裁，防止梯度爆炸

 utils.clip_grad_value_(
                    self.model.parameters(),
                    self.args.gclip
                )

将梯度限制在阈值self.args.gclip范围内

计算机视觉

插值interpolation

从离散数据点中获取连续近似函数值的方法
根据已知像素点，估计其他像素点

通常用于将低分辨率图像，放大到高分辨率图像

滤波

图像处理技术，去除噪声、减少模糊等
滤波器，对像素进行加权处理

像素矩阵

行，列，通道