动手学习深度学习中遇到的一些函数

学习笔记

1. nn.init.normal_

torch.nn.init.normal_(tensor, mean=0.0, std=1.0)

参数：

tensor-一个n维torch.Tensor

mean-正态分布的平均值

std-正态分布的标准差

使用从正态分布 N(mean,std2) 中提取的值填充输入张量。

例子

w = torch.empty(3, 5)
nn.init.normal_(w)

2.torch.zeros_like()、torch.ones_like()

torch.zeros_like(tensor)、torch.ones_like(tensor)
参数：

tensor: 一个n维torch.Tensor

根据给定的张量，生成与其形状相同的全为0或者全为1的张量

例子

input = torch.rand(2, 3)
input
torch.zeros_like(input)

3.np…power()

np.power(x, y)
参数：

1. x,y为单个数：求x的y次幂

np.power(2,3) #8 2的3次幂

2. x为单个数,y为列表：求x的y[:]次幂

np.power(2, [1, 2, 3]) #array([2, 4, 8], dtype=int32) 2的一次幂，二次幂，三次幂

3. x为列表，y为单个数：求x[:]的y次幂

np.power([1, 2, 3], 2) #array([1, 4, 9], dtype=int32) 1的2次幂，2的二次幂，3的二次幂

4. x为列表，y为列表，x的行数和y的行数相同：x元素对应的y次幂

np.power([1, 2, 3],[2, 2, 2]) #array([1, 4, 9], dtype=int32) 1的2次幂，2的二次幂，3的二次幂

5. x为列表，y为列表，x的行数等于y的列数：每一行求对应列的次幂成为一行

np.power([1, 2, 3],[[1],[2],[3]])
 #array([[ 1,  2,  3],
 #      [ 1,  4,  9],
 #     [ 1,  8, 27]], dtype=int32)
 #  [1, 2, 3]的1次幂 [1, 2, 3]的2次幂 [1, 2, 3]的3次幂 

4.math.gamma()

math.gamma(x)
参数：

x 为一个正整数

返回(x-1)的阶乘
例子：

math.gamma(2) #1.0
math.gamma(4) #6.0

5.np.dot()

np.dot(x,y)
参数：

1. x和y都是向量：做内积

a = np.array([1, 2, 3, 4])
b = np.array([4, 3, 2, 1])
c = np.dot(a, b)
print(a.shape) #(4,)
print(b.shape) #(4,)
print(c) #20 1x4+2x3+3x2+4x1=20
print(c.shape) #()

2. x为矩阵，y为向量：y会被看做一维矩阵，结果为一维向量

a = np.random.randint(0,10, size = (5,4))
b = np.array([1, 2, 3, 4])
c = np.dot(a, b)
print(b) #[1 2 3 4]
print(c) #[50 47 34 25 63]
print(a.shape) #(5, 4)
print(b.shape) #(4,)
print(c.shape) #(5,)

3. x为矩阵，y为矩阵：做矩阵乘法运算

a = np.random.randint(0,10, size = (5,4))
b = np.random.randint(0,10, size = (4,3))
c = np.dot(a, b)
print(a.shape) #(5, 4)
print(b.shape) #(4, 3)
print(c) 
#[[ 29  34  53]
# [ 52 122  86]
# [ 39  53  75]
# [ 42  82  64]
# [ 39  91  49]]
print(c.shape) #(5, 3)

6.ilco[] (pandas库)

ilco[a, b]
iloc[]函数，属于pandas库，全称为index location，即对数据进行位置索引，从而在数据表中提取出相应的数据。

参数：
a是行索引，b是列索引

1. a、b为单个数字:取a行b列的数据

print(train_data.iloc[1, 3]) #80.0

2. a为列表，b为数字：取b列a列表对应的行

print(train_data.iloc[0:3, 3])

3. a为列表，b为列表：取a，b对应的数字组成下标

print(train_data.iloc[0:3, [1, 2, 3]])

7.fillna()函数

df.fillna(a,[inplace=False])
用指定的值去填充dataframe中的缺失值
参数

a表示的是常数或字典
inplace为可选参数，默认为False，表示不修改原对象，若指定inplace=True,则直接修改原对象

from numpy import nan as NaN
df1 = pd.DataFrame([[1, 2, 3],[NaN, NaN, 2],
                   [NaN, NaN, NaN],[3, 4, NaN]])
df1

1. 若a为常数，则用常数a填充缺失值

df1.fillna(10) # 用常数填充

2. 若a为字典，则表示第key列的缺失值用key对应的value值填充

df1.fillna({0:10, 1:20, 2:30}) #用字典填充

8.pd.get_dummies()

pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False, dtype=None)
参数

prefix：str, list of str, 或 dict of str, 默认为 None
用于追加DataFrame列名称的字符串。
 
prefix_sep：str, 默认为 ‘_’
如果附加前缀，则使用分隔符/分隔符。或者像这样传递列表或字典prefix。
 
dummy_na：bool, 默认为 False
如果忽略False NaN。
 
columns：list-like, 默认为 None
要编码的DataFrame中的列名。如果columns为None，则所有具有的列object或者categorydtype将被转换。
 
sparse：bool, 默认为 False
dummy-encoded列是否应由a支持SparseArray(True)或常规NumPy数组(False)。
 
drop_first：bool, 默认为 False
是否通过删除第一个级别从k个分类级别中获取k-1个虚拟对象。

例如：

data = pd.DataFrame({"学号":[1001, 1002, 1003, 1004],
                    "性别":["男", "女", "女", "男"],
                    "学历":["本科", "学硕", "专硕", "本科"]})
data

pd.get_dummies(data)

pd.get_dummies(data, prefix="A")

pd.get_dummies(data, prefix=["A", "B"], prefix_sep="&")

9.torch.clamp()

torch.clamp(input, min, max, out=None)
将输入input张量每个元素的值压缩到区间 [min,max]，并返回结果到一个新张量。
只有张量中数值大于max或者小于min时才会被替换
参数

 input：输入张量；

 min：限制范围下限；

 max：限制范围上限；

 out：输出张量。 

例如：

a=torch.randint(low=0,high=10,size=(10,1))
print(a)
b=torch.clamp(a,3,9)
print(b)

10.image.permute()

permute(dims)
将tensor的维度转换
参数

参数形式：(整数，整数，整数)

例如：

import numpy as np
a=np.array([[[1,2,3],[4,5,6]]])
unpermuted=torch.tensor(a)
print(unpermuted.size())  #  ——>  torch.Size([1, 2, 3])

permuted=unpermuted.permute(2,0,1)
print(permuted.size())     #  ——>  torch.Size([3, 1, 2])

如果一个图像img的size是(25, 25, 3), 可以用img.permute(2, 0, 1)得到(3, 25, 25)