生吃代码学到的一点东西-1

numpy

1. scatter_(input, dim, index, src)将src中数据根据index中的索引按照dim的方向填进input中.

2. numpy.clip(a, a_min, a_max, out=None) 将array a的值限制在a_min, a_max两个数之间

3. np.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation=‘linear’, keepdims=False) 百分位数是统计中使用的度量，表示小于这个值的观察值的百分比。

4. numpy.repeat()重复

   np.repeat(3, 4)
   #array([3, 3, 3, 3])
   x = np.array([[1,2],[3,4]])
   np.repeat(x, 2)
   #array([1, 1, 2, 2, 3, 3, 4, 4])
   np.repeat(x, 3, axis=1)
   #array([[1, 1, 1, 2, 2, 2],
   #       [3, 3, 3, 4, 4, 4]])
   np.repeat(x, [1, 2], axis=0)
   #array([[1, 2],
   #       [3, 4],
   #       [3, 4]])
   

5. np.linspace() 用于在线性空间中以均匀步长生成数字序列。 第一个参数是开头，第二个参数是结尾，第三个参数是多少步。

skimage

1. skimage.restoration.denoise_bilateral(image, win_size=None, sigma_color=None, sigma_spatial=1, bins=10000, mode=‘constant’, cval=0, multichannel=None, sigma_range=None) 使用双边滤波器去噪图像。

pytorch

1. torch.load()加载模型

2. model.eval ()使得所有层进入评估模式，非训练模式

3. model.cuda()模型加载到gpu

4. transform.compose()把两个操作合并在一起

5. transform.ToTensor()#把H,W,C转为C,H,W

6. torch.unqueeze()返回一个新的张量，在指定位置插入一个大小为1的维度。返回的张量与该张量共享相同的基础数据。

   x = torch.tensor([1, 2, 3, 4])
   torch.unsqueeze(x, 0)
   #tensor([[ 1,  2,  3,  4]])
   torch.unsqueeze(x, 1)
   #tensor([[ 1],
   #        [ 2],
   #        [ 3],
   #        [ 4]])
   

7. torch.cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列seq 进行连接操作。

   >>> x = torch.randn(2, 3)
   >>> x
   
    0.5983 -0.0341  2.4918
    1.5981 -0.5265 -0.8735
   [torch.FloatTensor of size 2x3]
   
   >>> torch.cat((x, x, x), 0)
   
    0.5983 -0.0341  2.4918
    1.5981 -0.5265 -0.8735
    0.5983 -0.0341  2.4918
    1.5981 -0.5265 -0.8735
    0.5983 -0.0341  2.4918
    1.5981 -0.5265 -0.8735
   [torch.FloatTensor of size 6x3]
   
   >>> torch.cat((x, x, x), 1)
   
    0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918  0.5983 -0.0341  2.4918
    1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735  1.5981 -0.5265 -0.8735
   [torch.FloatTensor of size 2x9]
   
   
   

8. outputs = torch.stack(inputs, dim=0) → Tensor 增加新的维度进行堆叠

9. torch.permute()转置

10. torch.view()相当于numpy的resize()

11. torch.repeat(n1,n2,n3,n4),第1维、第2维、第3维、第4维的重复次数

12. torch.detach() 克隆，但将计算图脱离出来，就是两个分开。

MoviePy

1. ImageSequenceClip图片创建视频