Python / Pycharm / Matplotlib
Python / Pycharm / Matplotlib 中的一些编程方法。
DocVision
这个作者很懒,什么都没留下…
展开
-
Pytorch基本操作/索引/维度变换/矩阵转置/合并与分割/基本运算计算--转载自“Roleran”
数据类型Int----IntTensor of size()Float----FloatTensor of size()Int array----IntTensor of size[d1, d2, ...]Float array----FloatTensor of size[d1, d2, ...]string----无string怎么编码·One-hot编码:[0,1]表示一类,[1,0]表示一类。(向量太稀疏,字符串之间没有相关性)·Embedding:word2vec、glove转载 2021-12-15 12:12:25 · 373 阅读 · 0 评论 -
Matplotlib图像绘制全--转载
请移步:https://blog.csdn.net/qq_40211493/article/details/103283945转载 2021-12-14 16:36:37 · 165 阅读 · 0 评论 -
Matplotlib构建3D图形/画3D图像/画3D图形--转载自“xGuardian”
https://blog.csdn.net/xGuardian/article/details/81088499转载 2021-12-14 16:32:02 · 152 阅读 · 0 评论 -
Python 时间处理/datetime/arrow/日期处理
文章目录datetime安装datetime库获取当前日期转换输出的时间格式时间日期格式化符号字符转为时间数值转换日期/数字转换日期arrow安装arrow库使用arrow库获取当前时间 arrow.utcnow(), arrow.now()将时间转化为时间戳将时间戳转化为arro将时间转化成时间字符串将字符串转化成arrow直接创建/生成arrow对象arrow对象属性datetime,timestamp,native,tzinfo获取datetime对象的值按名称或tzinfo转换为时区时间推移a.sh原创 2021-12-14 11:06:10 · 1259 阅读 · 0 评论 -
Python装饰器@的作用--转载自“Python学习与数据挖掘”
我们在编程过程中,常常会遇到这种需求:比如,我想开发一款计算器,我已经写好了一堆函数,用于执行各种计算,那么我们需要在执行各种计算函数前,首先对输入的数据进行检查,确保他们必须得是数值才允许执行函数,而不能是字符串;又如,我想编写一个用于计算三角形周长、面积、某个角角度的模块,已经写好几个函数用于计算,那么,在执行计算前,首先要确保输入的三条边长能够构成三角形,再进行计算才有意义;再比如,我想开发某款网络应用,写了一些函数用于实现用户的某些操作,那么,得要先检查确认该用户已经登录了,才允许执行这些操作转载 2021-12-14 09:30:32 · 79 阅读 · 0 评论 -
Origin绘图/画图教程--转载自“咸鱼不闲加油鸭”
https://blog.csdn.net/Flora_Cao/article/details/120516952转载 2021-12-13 20:23:06 · 207 阅读 · 0 评论 -
Python中的类——转载自“QinHsiu”
(1)https://blog.csdn.net/qxyloveyy/article/details/104554448(2)https://blog.csdn.net/qxyloveyy/article/details/104563445(3)https://blog.csdn.net/qxyloveyy/article/details/104579742转载 2021-12-12 11:16:26 · 73 阅读 · 0 评论 -
Python常用标准库
https://blog.csdn.net/anqixiang/article/details/112405377转载 2021-12-11 22:16:36 · 70 阅读 · 0 评论 -
Python字符串str()方法详解
https://blog.csdn.net/gzlaiyonghao/article/details/2610733转载 2021-12-11 21:15:36 · 146 阅读 · 0 评论 -
with open() as f的用法/打开文件的方式--转载自“ckSpark”
常见的读写操作:with open('filename.txt','r') as f: data_user=pd.read_csv(f) #文件的读操作with open('data.txt', 'w') as f: f.write('hello world') #文件的写操作相关参数:r: 以只读方式打开文件。文件的指针将会放在文件的开头。这是**默认模式**。rb: 以二进制格式打开一个文件用于只读。文件指针将会放在文件的开头。这是默认模式。r+: 打开一个文件用于读写。转载 2021-12-10 16:57:29 · 777 阅读 · 0 评论 -
matplotlib.legend()函数用法解析--转载自“鸡啄米的时光机”
原文链接:https://blog.csdn.net/qq_33221533/article/details/81431264转载 2021-12-08 22:29:23 · 269 阅读 · 0 评论 -
Python对图像进行m*n的均匀分块/拼接还原/patch/切片--转载自 “wanzhen4330”
文章目录1. 读取原始图像2. 网格划分2.1 分块后图像的存储问题2.3 图像长宽的整除问题方法一:四舍五入法方法二:图像缩放法方法三:非均分方法3. 显示分块后的图像方法一:四舍五入法方法二:图像缩放法4.分块图像的还原基本思路:根据图像尺寸创建一个 ( m + 1 ) × ( n + 1 )个均匀的网格顶点坐标,对于图像块来说每个图像块的左上角和右下角可以唯一确定一个图像块,这样就可以利用网格顶点坐标对原始图像进行裁剪。1. 读取原始图像import numpy as np import ma转载 2021-11-30 17:01:46 · 2768 阅读 · 0 评论 -
PyTorch:中.add()和.add_() / .mul()和.mul_() / .exp()和.exp_()的区别
结论:add 加法 / mul 乘法 / exp 以e为底的指数。以 “” 结尾的 ,均为in-place。可以简单理解为:修改了对应变量中的数值。Torch里面所有带 “” 的操作,都是in-place的。.add()和.add_().add()和.add_()都能把两个张量加起来,但.add_是in-place操作,如:x.add_(y),x+y的结果会存储到原来的x中。import torchx = torch.tensor([1, 2, 3])y = torch.tens原创 2021-11-30 11:19:16 · 4974 阅读 · 3 评论 -
pytorch 使用 CPU 多进程多核训练模型--转载自 “呆萌的代Ma”
导包import torch.multiprocessing as mpimport torchimport torch.nn as nnimport torch.utils.data as Data这里使用torch.multiprocessing构造多进程,与python的多进程神似准备训练数据(同单进程)这里使用随机数生成训练数据,就不用下载什么数据了def get_train_data(): """得到训练数据,这里使用随机数生成训练数据,由此导致最终结果并不好"""转载 2021-11-29 17:48:53 · 2785 阅读 · 0 评论 -
pytorch 保存、读取 tensor 数据--转载自 “呆萌的代Ma”
首先导包:import torchsave_torch = torch.Tensor([[1, 2, 3, 4], [2, 34, 5, 6]])保存 tensortorch.save(save_torch, 'test_save_tensor.pt')读取 tensorload_torch = torch.load('test_save_tensor.pt')完整测试代码import torchsave_torch = to转载 2021-11-29 17:43:43 · 907 阅读 · 0 评论 -
Attention 注意力机制 空间Spatial/通道 Channel/混合 Hybrid 代码/Python/Pytorch--转载自知乎 “落尽花去却回”
代码来源:https://github.com/ZhugeKongan/Attention-mechanism-implementation转载的文章地址:https://zhuanlan.zhihu.com/p/388122250Attention / 注意力机制的实施pytorch for Self-attention、Non-local、SE、SK、CBAM、DANet根据注意机制的不同应用领域,即注意权重的不同应用方式和位置,将注意机制分为空间域、通道域和混合域,并介绍了这些不同注意的一些先转载 2021-11-29 17:23:11 · 4489 阅读 · 0 评论 -
*args和**kwargs是什么-- 转载自 “MK2” / “呆萌的代Ma”
结论:这两个是python中的可变参数。*args表示任何多个无名参数,它是一个tuple;**kwargs表示关键字参数,它是一个dict。同时使用*args和**kwargs时,必须*args参数列要在**kwargs前若像foo(a=1, b=‘2’, c=3, a’, 1, None, )这样调用的话,会提示语法错误“SyntaxError: non-keyword arg after keyword arg”。举例:def foo(*args, **kwargs): p转载 2021-11-29 16:56:03 · 55 阅读 · 0 评论 -
matplotlib在图像上方添加文字、标签--转载自 “呆萌的代Ma”
此为效果图import pandas as pdimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as sns数据源:data = pd.DataFrame( data=[[1,2.1],[2,3.2],[3,4.3],[4,5.4]],columns=['x','y'])内容: x y0 1 2.11 2 3.22 3 4.33 4 5.4绘图:x = data['x']转载 2021-11-29 16:43:55 · 682 阅读 · 0 评论 -
pytorch保存模型运行时状态,记录点checkpoint/torch.save()--转载自 “呆萌的代Ma”
本文目录保存加载举例保存torch.save({ 'epoch': epoch, # 保存迭代次数 'model_state_dict': model.state_dict(), # 模型的状态 'optimizer_state': optimizer.state_dict(), # 优化器的状态}, 'checkpoint') # 路径,这里每次保存都会覆盖掉checkpoint文件当然字典里可以保存任意的内容,路径也可以根据epoch不同而改变还有一种写法:tor转载 2021-11-29 16:37:26 · 573 阅读 · 0 评论 -
numpy 数组设置小数点显示的位数--转载自 “呆萌的代Ma”
使用np.around(ndarry,保留的位数)案例import numpy as nparray = np.array([1.123456789, 2.23456, 4.5643])print(np.around(array, 3)) # 保留三位小数,保留方式为四舍五入结果:[1.123 2.235 4.564]转载 2021-11-29 16:30:17 · 2250 阅读 · 0 评论 -
数组合并,ndarray,append()/vstack()/hstack()/dstack()/concatenate()--转载自 “呆萌的代Ma”
其实咱们常规认为的append()函数在numpy中达不到想要的效果的!!import numpy as nparray_1 = np.random.random((5, 6, 7, 8)) # shape = (5,6,7,8)array_2 = np.random.random((5, 6, 7, 8)) # shape = (5,6,7,8)把列表展开,然后合并:np.append(array_1, array_2) # shape = (3360,)将后一个array插入与前转载 2021-11-29 16:07:29 · 232 阅读 · 0 评论 -
判断文件夹存在与否,不存在则创建文件夹--转载自 “呆萌的代Ma”
本文为CSDN博主"呆萌的代Ma"原创文章,转载请注明博客链接:https://blog.csdn.net/weixin_35757704/本文链接:https://blog.csdn.net/weixin_35757704/article/details/120428971import osfile = 'my_file/'if not os.path.exists(file): # 判断是否存在,不存在,则执行if下方的内容 os.mkdir(file) # 创建对应名称的文件转载 2021-11-29 15:44:03 · 274 阅读 · 0 评论 -
view()/reshape()/resize()/unsqueeze()/squeese() 修改tensor的维度(修改为任意维度,或单纯的增减维度)--转载自 “呆萌的代Ma”
本文为CSDN博主"呆萌的代Ma"原创文章,转载请注明博客链接:https://blog.csdn.net/weixin_35757704/本文链接:https://blog.csdn.net/weixin_35757704/article/details/1212013891. 修改为任意维度确保修改前后数据量一致:view() / reshape()修改前后数据量可以不一致: resize_()2. 单纯的增减维度1. 修改为任意维度 一般使用两个函数:view()/reshape()或re转载 2021-11-29 15:32:22 · 252 阅读 · 0 评论