《深度学习之pytorch实战计算机视觉》第5章 Python基础

在学习的过程中我也翻阅了一些书籍，最近在看《深度学习之pytorch实战计算机视觉》，记录一下笔记。这篇笔记主要是第5章的内容，介绍一些python中的类，以及常用的库Numpy和Matplotlib。

目录

5.3.8 Python中的类

5.4 Python中的Numpy

5.4.1 安装

5.4.2 多维数组

5.4.3 多维数组的基本操作

5.5 Python中的Matplotlib

5.5.1 Matplotlib的安装

5.5.2 创建图

5.3.8 Python中的类

python是面向对象的程序语言。

1.类的创建

• (1) 类变量：在创建的类中会定义一些变量，我们把这些变量叫作类变量，类变量的值在这个类的所有实例之间是共享的，同时内部类或者外部类也能对这个变量的值进行访问。
• (2) __init__()：是类的初始化方法，我们在创建一个类的实例时就会调用一次这个方法。
• (3) self ：代表类的实例，在定义类的方法时是必须要有的，但是在调用时不必传入参数。

看一下例子。

class Student:
    student_Count = 0
    def __init__(self,name,age):
        self.name = name
        self.age = age
        Student.student_Count += 1
        
    def dis_student(self):
        print("Student name:",self.name,"Student age:",self.age)
        
#创建对象
student1 = Student("TANG","20")
student2 = Student("WU","22")

student1.dis_student()
student2.dis_student()
print("Total Student:",Student.student_Count)

输出结果：

Student name: TANG Student age: 20
Student name: WU Student age: 22
Total Student: 2

2.类的继承

我们可以将继承理解为：定义一个类，通过继承获得另一个类的所有方法，被继承的类叫作父类，进行继承的类叫作子类，这样可以有效地解决代码的重用问题，在提升了代码的效率和利用率的基础上还增加了可扩展性。

不过需要注意的是，当一个类被继承时，这个类中的初始化方法是不会被自动调用的，所以我们需要在子类中重新定义类的初始化方法。

另外，我们在使用 Python 代码去调用某个方法时，默认会先在所在类中进行查找，如果没有找到，则判断所在的类是否为子类，若为子类，就继续到父类中查找。下面通过一个具体的实例来看看如何创建和使用子类。

class People(): 
    def __init__ (self,name,age): 
        self.name= name 
        self.age= age 
    
    def dis_name(self): 
        print ("name is :", self.name) 
        
    def set_age(self, age): 
        self.age = age 
    
    def dis_age(self): 
        print ("age is: ", self.age) 
        
class Student(People):
    def __init__(self,name,age,school_name):
#         People.__init__(self,name,age)
#         super(Student,self).__init__(self,name,age,school_name)
        self.name=name
        self.age=age
        self.school_name=school_name
        
    def dis_student(self):
        print("school name is:",self.school_name)


stu = Student("Wu","20","GLDZ") 

stu.dis_student()#调用子类的方法
stu.dis_name()#调用父类的方法
stu.dis_age() #调用父类的方法
stu.set_age(22) #调用父类的方法
stu.dis_age() #调用父类的方法

输出：

school name is: GLDZ
name is : Wu
age is:  20
age is:  22

或者

class People():
    def __init__(self,name,age):
        self.name = name
        self.age = age
        
    def dis_name(self): 
        print ("name is :", self.name) 
        
    def set_age(self, age): 
        self.age = age 
    
    def dis_age(self): 
        print ("age is: ", self.age)
    


class Student(People):
    def __init__(self,name,age):
        #super().__init__(self,restaurant_name,cuisine_type)
        super().__init__(name,age)
        self.school_name="abc"
        
    def dis_student(self):
        print("school name is:",self.school_name)


stu = Student("Wu","20") 
stu.dis_name()
stu.dis_age()
stu.dis_student()

输出：

name is : Wu
age is:  20
school name is: abc

再看一个例子：

class Father(object):
    def __init__(self, name):
        self.name=name
        print ( "name: %s" %( self.name) )
    def getName(self):
        return 'Father ' + self.name

class Son(Father):
    def __init__(self, name,age):
        print ( "hi" )
        self.name =  name
        self.age = age
    def getName(self):
        return 'Son '+ self.name + " is " + self.age

if __name__=='__main__':
    son=Son('runoob','20')
    print ( son.getName() )

输出：

hi
Son runoob is 20

3. 类的重写

在继承一个类后，父类中的很多方法也许就不能满足我们现有的需求了，这时我们就要对类进行重写。下面通过一个实例来看看如何对类中的内容进行重写。

#定义父类
class Parent:
    def __init__(self):
        pass
    def print_info(self):
        print("This is Parent.")
#定义子类
class Child(Parent):
    def __init__(self):
        pass
    #重写父类的方法
    def print_info(self):
        print("This is Child.")
        
child = Child()
child.print_info()#This is Child.

5.4 Python中的Numpy

5.4.1 安装

pip install numpy

5.4.2 多维数组

1.创建多维数组

常用的方法是array。

import numpy as np
np.array([1,2,3])
np.array([[1,2,3],[4,5,6]])

(1)使用 NumPy 中的 ones 可以创建维度指定且元素全为1的数组。

(2)使用 NumPy 中的 zeros 可以创建维度指定且元素全为0的数组。

(3)使用 NumPy 中的 empty 可以创建维度指定且元素全为随机数的数组。

2.多维数组的常用属性

1. (1) ndim：返回统计的数组维数，即维度的数量。
2. (2) shape：返回数组的维度值，对返回的结果使用数据类型为整型的元组来表示，比如维数组返回的结果为(n,m)，那么 表示数组中对应维度数据的长度。
3. (3) size：返回要统计数组中的元素的总数量。
4. (4) dtype：返回数组中元素的数据类型。
5. (5) itemsize：返回数组中每个元素的字节大小。例如元素的dtype是float64，则为8=64/8；元素的dtype是complex32，则为4=32/8，其他类似。

import numpy as np

a = np.empty([3,3])

a.dim  #2

a.shape  #(3,3)

a.size  #9

a.dtype   #dtype('float64')

a.itemsize    #8

3.数组的打印

在数组中的元素太多时，若全部进行打印输出，则会占用大面积的显示空间，而且不易查看，所以在打印输出元素过多的数组时，输出显示的内容会自动跳过中间的部分，只打印首尾的一小部分，对中间的部分用省略号(...)来代替。

b = np.arange(2000)
print(b)  #[   0    1    2 ... 1997 1998 1999]

5.4.3 多维数组的基本操作

这些操作包括数组的算术运算、索引、切片、迭代等。

1.数组的算术运算

加法、减法、乘法和除法，分别为+、-、*和/。

2.数组自身的运算

1. (1) min：默认找出数组的所有元素中值最小的元素，可以通过设置axis值来按行（axis=1）或者列（axis=0）查找元素中的最小值。
2. (2) max：默认找出数组的所有元素中值最大的元素，可以通过设置 axis的值来按行或者列查找元素中的最大值。
3. (3) sum：默认对数组中的所有元素进行求和运算，并返回运算结果，同样可以通过axis的值来按行或者列对元素进行求和运算。
4. (4) exp：对数组中的所有元素进行指数运算。
5. (5) sqrt：对数组中的所有元素进行平方根运算。
6. (6) square：对数组中的所有元素进行平方运算。

3.随机数组

生成随机数在我们平时的应用中是很有用的，有很多方法：

• (1) seed：随机因子，在随机数生成器的随机因子被确定后，无论我们运行多少次随机程序，最后生成的数字都是一样的，随机因子更像把随机的过程变成一种伪随机的机制，不过这有利于结果的复现。
• (2) rand：生成一个在［0, 1）范围内满足均匀分布的随机样本数。
• (3) randn：生成一个满足平均值为0且方差为1的正太分布随机样本数。
• (4) randint：在给定的范围内生成类型为整数的随机样本数。
• (5) binomial：生成一个维度指定且满足二项分布的随机样本数。
• (6) beta：生成一个指定维度且满足 beta 分布的随机样本数。
• (7) normal：生成一个指定维度且满足高斯正太分布的随机样本数。

np.random.seed(42)

print(np.random.rand(2,3))
print(np.random.randn(2,3))
print(np.random.randint(1,10))
print(np.random.binomial(6,1))
print(np.random.beta(2,3))
print(np.random.normal(2,3))

输出：

[[0.37454012 0.95071431 0.73199394]
 [0.59865848 0.15601864 0.15599452]]
[[ 1.57921282  0.76743473 -0.46947439]
 [ 0.54256004 -0.46341769 -0.46572975]]
6
6
0.45543839870822056
2.666236704694229

5.5 Python中的Matplotlib

Matplotlib是Python的绘图库。 

5.5.1 Matplotlib的安装

pip install Matplotlib

5.5.2 创建图

1.线型图

import matplotlib.pyplot as plt
import numpy as np
np.random.seed(42)
x = np.random.randn(30)
plt.plot(x,"r--o")

输出图像：

2.线条颜色、标记形状和线型

用于设置线型图中线条颜色的常用参数如下：

用于设置线型图中标记参数点形状的常用参数如下：

用于设置线型图中连接参数点线条形状的常用参数如下： 

3.标签和图例

我们可以增加一些绘制图像的说明，一般是添加图像的轴标签和图例。看一个例子。

np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)
plt.title("Example")
plt.xlabel("X")
plt.ylabel("Y")
X, = plt.plot(x,"r--o")
Y, = plt.plot(y,"b-*")
plt.legend([X,Y],["X","Y"])

输出内容如下：

4.子图（Subplot）

可以将多个图像同时在不同的位置显示。代码如下：

a = np.random.randn(30)
b = np.random.randn(30)
c = np.random.randn(30)
d = np.random.randn(30)

fig = plt.figure()  #首先定义一个实例
#添加子图
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)

A, = ax1.plot(a,"r--o")
ax1.legend([A],["A"])
B, = ax2.plot(b,"b-*")
ax2.legend([B],["B"])
C, = ax3.plot(c,"g-.+")
ax3.legend([C],["C"])
D, = ax4.plot(d,"m:x")
ax4.legend([D],["D"])

输出图像：

除了绘制线型图，Matplotlib还能绘制散点图、直方图和饼图等。

5.散点图（Scatter）

如果有一批散点数据，绘制散点图能更清晰地展示所有数据的分布和布局。

np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)
plt.scatter(x,y,c="g",marker="o",label="(X,Y)")
plt.title("Example")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend(loc = 1)
plt.show()

图像输出如下：

上述的核心代码为：plt.scatter(x,y,c="g",marker="o",label="(X,Y)")，其中有三个需要注意的参数：

• c：图中的点使用哪种颜色（参考线型图）
• marker：图中的点使用哪种形状（参考线型图）
• label：图中的点使用的图例，与线型图不同。

通过plt.legend(loc=1)对图例的位置进行设定，一般采用这几种：

• loc=0：图例使用最好的位置。
• loc=1：图中右上角
• loc=2：图中左上角
• loc=3：图中左下角
• loc=4：图中右下角

6.直方图

直方图（Histogram）又称质量分布图，是一种统计报告图，通过使用一系列高度不等的纵向条纹或直方表示数据分布的情况，一般用横轴表示数据类型，用纵轴表示分布情况，下面看具体的实例。

np.random.seed(42)
x = np.random.randn(100)
plt.hist(x,bins=20,color='g')#bins指定直方图条纹的数量
plt.title("Example")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

输出图像：

7.饼图

饼图用于显示一个数据系列（理解为一类数据），而每个数据系列都应当拥有自己唯一的颜色。在同一个饼图中可以绘制多个系列的数据，并根据每个系列的数据量的不同来分配它们在饼图中的占比。代码如下：

import matplotlib.pyplot as plt
import numpy as np

labels = ['dog','cat','bird']
sizes = [15,50,35]

plt.pie(sizes,explode=(0,0,0.1),labels= labels,autopct='%1.1f%%',startangle = 90)
plt.axis('equal')#必须有，保证x轴和y轴刻度一致，得到的饼图是圆形
plt.show()

图像如下：

核心代码为plt.pie(sizes,explode=(0,0,0.1),labels= labels,autopct='%1.1f%%',startangle = 90)，其中几个参数理解为：

• sizes：三个数字确定每部分数据系列在整个圆形中的占比
• explode=(0,0,0.1)：定义每部分数据系列之间的间隔，这里突出第3部分
• autopct：将sizes中的数据以所定义的浮点精度进行显示
• startangle：绘制第1块饼图与X轴正方向的夹角，这里为90，默认为0

plt.axis('equal')是必须有的，用于保证x轴和y轴刻度一致，最后得到的饼图才是圆形。

说明：记录学习笔记，如果错误欢迎指正！写文章不易，转载请联系我。