qimo601的专栏

链接：https://cnzhx.net/bbs/index.php?topic=709.msg1540模板已经复制到style文件夹中，但是提示“本文档中指定的输出样式ZZ_MODIFIED_GEEBINF 在样式文件夹中不可用” 请问是什么原因？怎么解决？答案：这似乎是 EndNote 9 和 Windows 10 之间的一个小问题。可以试试下面的解决方法，1）关闭 Office；2）双击下载的 ZZ_MODIFIED_GEEBINF.ens，让默认的 EndNote 样式编辑器打开它，然后

参考网址：https://www.zhihu.com/question/36686900/answer/130890492https://www.cnblogs.com/skyfsm/p/6790245.html池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。下采样层也叫池化层，其具体操作与卷积层的操作基本相同，只不过下采样的卷积核为只取对应位置的最大值、平均值等（最大池化、平均池化），即矩阵之间的运算规律

本文内容转自https://www.cnblogs.com/zf-blog/p/6075286.html和https://www.cnblogs.com/rgvb178/p/6055213.html整理如下：(1)卷积层：用它来进行特征提取，如下：输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野)，这里注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图，上图是用了两个filte

全连接层：全连接层一般会放在网络的最后，作用是用来综合所有信息。对于cnn它提取特征的范围是全图的，直接把图像降维成一堆序列。卷积层是一种局部连接，它所能提取的特征的范围，取决于卷积核的感受野，当卷积核感受野覆盖到全图的时候，它的作用就和全连接层类似了。(所以用和特征图尺寸一样大小的卷积核做卷积，提取全图范围特征，和接全连接层，计算过程是等效的，输入输出，参数量完全一样)全连接之所以失宠:有人说是参数量大的原因。其实如果特征图压缩的足够小再做全连接，参数量和计算量也是不算大...

初学Python在看程序时发现python中if-else的多种写法，故对其进行分析。以下为网络内容：a,b,c=1,2,31.常规ifa>b:c=aelse:c=b2.表达式c=aifa>belseb3.二维列表c=[b,a][a>b]4.传说是源自某个黑客c=(a>band[a]or[b])[0]个人分析：1、2为程序的基本语法不讨论3：首...

目录一、概述　 二、类的继承 2.1 继承的定义 2.2 构造函数的继承　 2.3 子类对父类方法的重写 三、类继承的事例回到顶部一、概述　　　面向对象编程 (OOP) 语言的一个主要功能就是“继承”。继承是指这样一种能力：它可以使用现有类的所有功能，并在无需重新编写原来的类的情况下对这些功能进行扩展。　　通过继承创建的新类称为“子类”或“派生类”，被继承的类称为“基类”、“父类”或“超类”，继承的过程，就是从一般到特殊的过程。在某些 OOP 语言中，一个子...

1、什么是os模块os模块提供了多数操作系统的功能接口函数。当os模块被导入后，它会自适应于不同的操作系统平台，根据不同的平台进行相应的操作，在python编程时，经常和文件、目录打交道，这时就离不了os模块，本节内容将对os模块提供的函数进行详细的解读2、常用的os模块命令2.2Python os.path() 模块os.path 模块主要用于获取文件的属性。官网API：https://www.runoob.com/python/python-os-path.html以下是 os.

在知乎上面看到一个关于池化的神解释，摘来：池化=涨水卷积的目的是为了得到物体的边缘形状可以想象水要了解山立体的形状水位低时得出山脚的形状水位中等时得出山腰的形状水位高时得出山顶的形状三点就可以大致描出山的简笔画池化的过程=升高水位(扩大矩阵网格)卷积的过程是区分哪里是水，哪里是山加上一点个人理解：对于网络结构而言，上面的层看下面的层经过pooling后传上来的特征图，就好像在太空上俯瞰地球，看到的只有山脊和雪峰。这即是对特征进行宏观上的进一步抽象。那么为什么...

矩阵的点积就是矩阵各个对应元素相乘, 这个时候要求两个矩阵必须同样大小矩阵的乘法就是矩阵a的第一行乘以矩阵b的第一列，各个元素对应相乘然后求和作为第一元素的值。矩阵只有当左边矩阵的列数等于右边矩阵的行数时,它们才可以相乘,乘积矩阵的行数等于左边矩阵的行数,乘积矩阵的列数等于右边矩阵的列数卷积把模板（n*n）放在矩阵上（中心对准要处理的元素），用模板的每个元素去乘矩阵中的的元素，累加和等于这个元素。步骤很简单：1.求卷积矩阵的元素x,y时，对准h矩阵的x,y元素。2.然后 ...

pytorch中的storage指的是连续的内存块，而tensor则是映射到storage的视图，他把单条的内存区域映射成了n维的空间视图。size是tensor的维度，storage offset是数据在storage中的索引，stride是storage中对应于tensor的相邻维度间第一个索引的跨度。示例如下：上图是一个storage，与它对应的tensor([[3.0, 1.0, 2.0], [4.0, 1.0, F]])如下图所示：那么这里的stride=（3，1），因为从第一

缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。 下...

单星号参数函数中的单星号参数代表此处接受任意多个非关键字参数，这些参数将以数组形式保存，例如：def foo(a, *b): print bfoo(1, 2, 3, 4, 5)执行结果为：(2, 3, 4, 5)多星号参数函数中的多星号参数代表此处接受任意多个关键字参数，这些参数以字典形式保存，例如：def foo(a, **b): print bfoo(a=1, b=2, c=3, d=4, e=5)执行结果为：{'c': 3, 'b'

import torchimport torch.nn.functional as Fimport torch.utils.data as Dataimport matplotlib.pyplot as pltimport numpy as np1. 结合PyTorch中的optimizer谈几种优化方法这6种方法分为2大类：一大类方法是SGD及其改进（加Momentum）；另外一大类是Per-parameter adaptive learning rate methods（逐参数适应学.

4.4 初始化策略在深度学习中参数的初始化十分重要，良好的初始化能让模型更快收敛，并达到更高水平，而糟糕的初始化则可能使得模型迅速瘫痪。PyTorch中nn.Module的模块参数都采取了较为合理的初始化策略，因此一般不用我们考虑，当然我们也可以用自定义初始化去代替系统的默认初始化。而当我们在使用Parameter时，自定义初始化则尤为重要，因t.Tensor()返回的是内存中的随机数，很可能会有极大值，这在实际训练网络中会造成溢出或者梯度消失。PyTorch中nn.init模块就是专门为初始化而设计，

4.2 优化器PyTorch将深度学习中常用的优化方法全部封装在torch.optim中，其设计十分灵活，能够很方便的扩展成自定义的优化方法。所有的优化方法都是继承基类optim.Optimizer，并实现了自己的优化步骤。下面就以最基本的优化方法——随机梯度下降法（SGD）举例说明。这里需重点掌握：优化方法的基本使用方法 如何对模型的不同部分设置不同的学习率 如何调整学习率In[32]:# 首先定义一个LeNet网络class Net(nn.Module): def _.

4.1.4 损失函数在深度学习中要用到各种各样的损失函数（loss function），这些损失函数可看作是一种特殊的layer，PyTorch也将这些损失函数实现为nn.Module的子类。然而在实际使用中通常将这些loss function专门提取出来，和主模型互相独立。详细的loss使用请参照文档1，这里以分类中最常用的交叉熵损失CrossEntropyloss为例说明。 http://pytorch.org/docs/nn.html#loss-functions↩ In[31]:.

在使用PyTorch的时候，经常遇到nn.Sequential和nn.ModuleList，今天将这两个模块认真区分了一下，总结如下。PyTorch版本为1.0.0。本文也会随着本人逐渐深入Torch和有新的体会时，会进行更新。本人才疏学浅，希望各位看官不吝赐教。一、官方文档首先看官方文档的解释，仅列出了容器(Containers)中几个比较常用的CLASS。CLASS torch.nn.ModuleBase class for all neural network modules.

接下来想讲一下参数初始化方式对训练的影响，但是必须要涉及到pytorch的自定义参数初始化，然而参数初始化又包括在不同结构定义中初始化方式，因而先讲一下pytorch中的nn.Sequentialnn.SequentialA sequential container. Modules will be added to it in the order they are passed in the constructor. Alternatively, an ordered dict of module

4.1.2 激活函数PyTorch实现了常见的激活函数，其具体的接口信息可参见官方文档1，这些激活函数可作为独立的layer使用。这里将介绍最常用的激活函数ReLU，其数学表达式为：代码：relu = nn.ReLU(inplace=True)input = t.randn(2, 3)print(input)output = relu(input)print(output) # 小于0的都被截断为0# 等价于input.clamp(min=0)结果：tensor([[

PyTorch的nn.Linear（）是用于设置网络中的全连接层的，需要注意的是全连接层的输入与输出都是二维张量，一般形状为[batch_size, size]，不同于卷积层要求输入输出是四维张量。其用法与形参说明如下：  in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。  out_features指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。  

如果我们设置的dilation=0的话，效果如图：蓝色为输入，绿色为输出，可见卷积核为3*3的卷积核如果我们设置的是dilation=1，那么效果如图：蓝色为输入，绿色为输出，卷积核仍为3*3，但是这里卷积核点与输入之间距离为1的值相乘来得到输出好处：这样单次计算时覆盖的面积（即感受域）由dilation=0时的3*3=9变为了dilation=1时的5*5=25在增加了感受域的同时却没有增加计算量，保留了更多的细节信息，对图像还原的精度有明显的提升...

首先说下pytorch中的Tensor通道排列顺序是：[batch, channel, height, width]我们常用的卷积（Conv2d）在pytorch中对应的函数是：torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')其中，in_channels参数代表输入特征矩阵的深.

官网链接：nn.Conv2d Applies a 2D convolution over an input signal composed of several input planes.nn.Conv2d是二维卷积方法，相对应的还有一维卷积方法nn.Conv1d,常用于文本数据的处理，而nn.Conv2d一般用于二维图像。可以看到，在torch.nn下包含了我们模型的概念、一些常用层、损失函数等的定义。我们不一一详细说，只说我们刚开始操作时最经常用到的。今天我们从最常用的2维卷积层...

要学习pytorch，一个前提是 知道python calss中的__call__和__init__方法.简单的说就是:__init__: 类的初始化函数，类似于c++的构造函数 __call___: 使得类对象具有类似函数的功能。__init__比较好理解，现在主要看一下__call__的功能示例：class A(): def __call__(self): print('i can be called like a function')a = A()a(.

PyTorch在做一般的深度学习图像处理任务时，先使用dataset类和dataloader类读入图片，在读入的时候需要做transform变换，其中transform一般都需要ToTensor()操作，将dataset类中__getitem__()方法内读入的PIL或CV的图像数据转换为torch.FloatTensor。详细过程如下：class ToTensor(object): """Convert a ``PIL Image`` or ``numpy.ndarray`` to te.

PIL与CV数据格式1.PIL(RGB)PIL(Python Imaging Library)是Python中最基础的图像处理库，一般操作如下：from PIL import Imageimport numpy as npimage = Image.open('test.jpg') # 图片是400x300 宽x高print type(image) # out: PIL.JpegImagePlugin.JpegImageFileprint image.size # out: (400,

第四章 神经网络工具箱nn上一章中提到，使用autograd可实现深度学习模型，但其抽象程度较低，如果用其来实现深度学习模型，则需要编写的代码量极大。在这种情况下，torch.nn应运而生，其是专门为深度学习而设计的模块。torch.nn的核心数据结构是Module，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法是继承nn.Module，撰写自己的网络/层。下面先来看看如何用nn.Module实现自己的全连接层。全连接层，又名

最后再来看看variable中grad属性和backward函数grad_variables参数的含义，这里直接下结论：variable的梯度是目标函数转存失败重新上传取消对转存失败重新上传取消的梯度，转存失败重新上传取消，形状和转存失败重新上传取消一致。 对于y.backward(grad_variables)中的grad_variables相当于链式求导法则中的转存失败重新上传取消中的转存失败重新上传取消。z是目标函数，一般是一个标量，故而转存失败重新上传取消的形状与variable转存失败重..

In[11]:def f(x): '''计算y''' y = x**2 * t.exp(x) return ydef gradf(x): '''手动求导函数''' dx = 2*x*t.exp(x) + x**2*t.exp(x) return dxIn[12]:x = t.randn(3,4, requires_grad = True)y = f(x)yOut[12]:tensor([[0.1231, 0.386...

计算函数：y = x**2*e**x的导数公式y ( z ) = x 2 e x , . y(z) = x^{2}e^{x},.y(z)=x2ex,.y ′ = 2 x e x + x 2 e x , . y^{'}= 2xe^{x}+x^{2}e^{x},.y′=2xex+x2ex,.一般可以手动计算出导数的可导函数，可以手动求导。学习torch,掌握tensor,autograd,Variable,nn,nn.Module,loss,optim,Dataset是关键。自动微分是深度.

1、矩阵相乘（1）二维矩阵乘法：torch.mm(mat1, mat2, out=None) → Tensor该函数一般只用来计算两个二维矩阵的矩阵乘法，并且不支持broadcast操作。代码例子：对应行列乘In[30]: mat1 = t.Tensor([[1,2,3],[2,3,4]]) ...: mat2 = t.Tensor([[1,2,3],[2,3,4],[3,4,5]]) ...: t.mm(mat1, mat2)Out[30]: tensor([[14., 20.,

3.1.4 其它有关Tensor的话题这部分的内容不好专门划分一小节，但是笔者认为仍值得读者注意，故而将其放在这一小节。GPU/CPUtensor可以很随意的在gpu/cpu上传输。使用tensor.cuda(device_id)或者tensor.cpu()。另外一个更通用的方法是tensor.to(device)。In[119]:a = t.randn(3, 4)a.deviceOut[119]:device(type='cpu')In[120]:if t..

3.1.3 内部结构tensor的数据结构如图3-1所示。tensor分为头信息区(Tensor)和存储区(Storage)，信息区主要保存着tensor的形状（size）、步长（stride）、数据类型（type）等信息，而真正的数据则保存成连续数组。由于数据动辄成千上万，因此信息区元素占用内存较少，主要内存占用则取决于tensor中元素的数目，也即存储区的大小。一般来说一个tensor有着与之相对应的storage, storage是在data之上封装的接口，便于使用，而不同tensor的头信息

3.1.2 Tensor和NumpyTensor和Numpy数组之间具有很高的相似性，彼此之间的互操作也非常简单高效。需要注意的是，Numpy和Tensor共享内存。由于Numpy历史悠久，支持丰富的操作，所以当遇到Tensor不支持的操作时，可先转成Numpy数组，处理后再转回tensor，其转换开销很小。In[90]:import numpy as npa = np.ones([2, 3],dtype=np.float32)aOut[90]:array([[1., 1.,.

线性代数PyTorch的线性函数主要封装了Blas和Lapack，其用法和接口都与之类似。常用的线性代数函数如表3-7所示。表3-7: 常用的线性代数函数函数 功能 trace 对角线元素之和(矩阵的迹) diag 对角线元素 triu/tril 矩阵的上三角/下三角，可指定偏移量 mm/bmm 矩阵乘法，batch的矩阵乘法 addmm/addbmm/addmv/addr/badbmm.. 矩阵运算 t 转置 dot/cro

比较比较函数中有一些是逐元素比较，操作类似于逐元素操作，还有一些则类似于归并操作。常用比较函数如表3-6所示。表3-6: 常用比较函数函数 功能 gt/lt/ge/le/eq/ne 大于/小于/大于等于/小于等于/等于/不等 topk 最大的k个数 sort 排序 max/min 比较两个tensor最大最小值 表中第一行的比较操作已经实现了运算符重载，因此可以使用a>=b、a>b、a!=b、a==b，其返回结果是一个ByteTens

归并操作此类操作会使输出形状小于输入形状，并可以沿着某一维度进行指定操作。如加法sum，既可以计算整个tensor的和，也可以计算tensor中每一行或每一列的和。常用的归并操作如表3-5所示。表3-5: 常用归并操作函数 功能 mean/sum/median/mode 均值/和/中位数/众数 norm/dist 范数/距离 std/var 标准差/方差 cumsum/cumprod 累加/累乘 以上大多数函数都有一个参数dim，用来指定这些操作

逐元素操作这部分操作会对tensor的每一个元素(point-wise，又名element-wise)进行操作，此类操作的输入与输出形状一致。常用的操作如表3-4所示。表3-4: 常见的逐元素操作函数 功能 abs/sqrt/div/exp/fmod/log/pow.. 绝对值/平方根/除法/指数/求余/求幂.. cos/sin/asin/atan2/cosh.. 相关三角函数 ceil/round/floor/trunc 上取整/四舍五入/下取整/只保留整数

索引操作Tensor支持与numpy.ndarray类似的索引操作，语法上也类似，下面通过一些例子，讲解常用的索引操作。如无特殊说明，索引出来的结果与原tensor共享内存，也即修改一个，另一个会跟着修改。 In[31]:a = t.randn(3, 4)aOut[31]:tensor([[ 1.1741, 1.4335, -0.8156, 0.7622], [-0.6334, -1.4628, -0.7428, 0.0410], ...

一、unsqueeze()函数unsqueeze(arg)与squeeze(arg)作用相反，表示在第arg维增加一个维度值为1的维度。1. 首先初始化一个a可以看出a的维度为（2，3）2. 在第二维增加一个维度，使其维度变为（2，1，3）可以看出a的维度已经变为（2，1，3）了，同样如果需要在倒数第二个维度上增加一个维度，那么使用b.unsqueeze(-2)二、squeeze()函数介绍squeeze(arg)表示第arg维的维度值为1，则去掉该维度。否则tensor

最近使用PyTorch编写程序，经常会遇到tensor_data.contiguous().view(-1)，以此记录下其用法。view()函数用法示例及其参数详解首先，view( ) 是对 PyTorch 中的 Tensor 操作的，若非 Tensor 类型，可使用data = torch.tensor(data)来进行转换。(1) 作用：该函数返回一个有__相同数据__但不同大小的 Tensor。通俗一点，就是__改变矩阵维度__，相当于 Numpy 中的 resize() 或者 Tens.

torch.rand和torch.randn有什么区别？ y = torch.rand(5,3) y=torch.randn(5,3)一个均匀分布，一个是标准正态分布。均匀分布torch.rand(*sizes, out=None)→ Tensor返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。参数:sizes (int...) - 整数序列，定义了输出张量的形状 out (Tensor, optinal) - 结果张量例子：.

从PyTorch的官方网站上找到了这个函数的详细说明。https://pytorch.org/docs/stable/generated/torch.linspace.html?highlight=linspace#torch.linspacetorch.linspace(start,end,steps=100,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False)→ Tensor函...

前言：前面介绍了如何自定义一个模型——通过继承nn.Module类来实现，在__init__构造函数中申明各个层的定义，在forward中实现层之间的连接关系，实际上就是前向传播的过程。事实上，在pytorch里面自定义层也是通过继承自nn.Module类来实现的，我前面说过，pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。前面介绍过，我们当然也可以直接通过继承torch.autograd.Function类来自定义一个层，但是这很不推荐，不提倡，至于为什么

>>> y=torch.range(1,6)>>> ytensor([1., 2., 3., 4., 5., 6.])>>> y.dtypetorch.float32>>> z=torch.arange(1,6)>>> ztensor([1, 2, 3, 4, 5])>>> z.dtypetorch.int64总结：torch.range(start=1, end=6).

前言本文的主要目标：一遍搞懂反向传播的底层原理，以及其在深度学习框架pytorch中的实现机制。当然一遍搞不定两遍三遍也差不多了～ 这样以后，面试时被问到反向传播、tensor、计算图和autograd的底层原理，你不会慌～当然，我们的主要目的，在于能从底层大致理解整个深度学习框架的设计原理，实现方式，这样在模型训练和优化时，能做到心中有谱！本文主要内容：1.前向传播、反向传播和计算图 2.pytorch中的Tensor 3.链式求导法则和Jacobian雅克比矩阵 4.pytorch中的A

链接：https://zhuanlan.zhihu.com/p/48982978Tensor，中文叫张量，是深度学习的一个基础，不然TensorFlow也不会叫Tensor和Flow了。关于张量的讨论，网上已经有很多了，但是能不能简简单单让我理解和记住呢？因此我来总结一下在深度学习中「什么是张量」提示：本文为初学笔记，仅为提供相关的讨论，谢谢。在深度学习里，Tensor实际上就是一个多维数组（multidimensional array）。而Tensor的目的是能够创造更高维度的矩阵、.

1、先在管理员角色下的cmd窗口输入conda install simpleitk得到具体要安装的simpleitk版本。simpleitk-2.0.1-py37ha925a31_02、输入n，取消上面在线下载安装simpleitk（速度太慢）3、通过迅雷下载清华镜像上的文件simpleitk-2.0.1-py37ha925a31_0.tar.bz2，拷贝到C:\ProgramData\Anaconda3\pkgs路径下4、anaconda本地安装simpleitk...

介绍在PyTorch 中，torch.Tensor是主要的tensor类，所有的tensor都是torch.Tensor的实例。torch.Tensor是torch.FloatTensor的别名。而torch.tensor是一个函数，返回的是一个tensor，在PyTorch官方文档中，描述如下：torch.tensor(data, dtype=None, device=None, requires_grad=False) → TensorConstructs a tensor with da

Tensor 转Numpyimport torch as timport numpy as npa = t.ones(5)aOut[23]: tensor([1., 1., 1., 1., 1.])b = a.numpy()# Tensor -> NumpybOut[25]: array([1., 1., 1., 1., 1.], dtype=float32)Numpy 转Tensorimport torch as timport numpy as np..

安装Pytorch1.首先进入Pytorch下载页面：https://pytorch.org/get-started/locally/选择合适的版本10.1，然后拷贝命令：conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch更新conda版本Please update conda by running $ conda update -n base -c defaults c...

有的时候，下载速度太慢了，可以离线手动下载安装包，然后重新执行安装命令。1.从上面信息知道，主要是下载两个大文件：cudatoolkit-10.2.89 | h74a9793_1 317.2 MBpytorch-1.5.0 |py3.7_cuda102_cudnn7_0 559.9 MB pytorch2.我们去国内清华镜像寻找响应的文件，手动迅雷下载，然后复制安装包到刚才 Anaconda 安装的目录...

收集的源地址来自以下博客中，对这些博主表示感谢！https://blog.csdn.net/dream_allday/article/details/803445111.清华源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forgeconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaco.

1.安装环境OS: Win7 旗舰版 x64CUDA: Cuda compilation tools, release 10.1, V10.1.105Python: Python 3.7.7Anaconda: Anaconda3-2020.02-Windows-x86_64.exe 下载地址：https://repo.anaconda.com/archive/CUDA下载方式：————————————————安装Pytorch...

sort()函数用于对原列表进行排序，如果指定参数，则使用比较函数指定的比较函数。语法：list.sort(cmp=None, key=None, reverse=False)参数cmp -- 可选参数, 如果指定了该参数会使用该参数的方法进行排序。 key -- 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序。 reverse -- 排序规则，reverse = True降序，reverse = False...

实例1：Python 复制列表定义一个列表，并将该列表元素复制到另外一个列表上。def clone_runoob(li1): li_copy = li1[:]#重新赋值 return li_copy li1 = [4, 8, 2, 10, 15, 18]li2 = clone_runoob(li1)print("原始列表:", li1)print("复制后列表:", li2)结果输出：原始列表: [4, 8, 2, 10, 15, 18]复制后列表: [4,

定义一个列表，并判断元素是否在列表中。test_list = [ 1, 6, 3, 5, 3, 4 ] print("查看 4 是否在列表中 ( 使用循环 ) : ") for i in test_list: if(i == 4) : print ("存在") print("查看 4 是否在列表中 ( 使用 in 关键字 ) : ")if (4 in test_list): print ("存在")以上实例输出结果为：查看 4 是否在列表中

list.reverse()该方法没有返回值，但是会对列表的元素进行反向排序。reversed(list)reversed 函数返回一个反转的迭代器。list为转换的序列，可以是 tuple, string, list 或 range。#!/usr/bin/pythonaList = [123, 'xyz', 'zara', 'abc', 'xyz']aList.reverse()print("List : ", aList)# !/usr/bin/env python3

Python 将列表中的指定位置的两个元素对调定义一个列表，并将列表中的指定位置的两个元素对调。例如，对调第一个和第三个元素：对调前 : List = [23, 65, 19, 90], pos1 = 1, pos2 = 3对调后 : [19, 65, 23, 90]代码：def swapPositions(list, pos1, pos2): list[pos1], list[pos2] = list[pos2], list[pos1]#这个方法倒是很巧 re

Python 计算每个月天数以下代码通过导入 calendar 模块来计算每个月的天数#!/usr/bin/python3# author by : www.runoob.com import calendarmonthRange = calendar.monthrange(2016,9)print(monthRange)结果输出：(3, 30)输出的是一个元组，第一个元素是所查月份的第一天对应的是星期几（0-6），第二个元素是这个月的天数。以上实例输出的意思为 201

# Filename : test.py# author by : www.runoob.com # 用户输入字符c = input("请输入一个字符: ") # 用户输入ASCII码，并将输入的数字转为整型a = int(input("请输入一个ASCII码: ")) print( c + " 的ASCII 码为", ord(c))print( a , " 对应的字符为", chr(a))结果输出：请输入一个字符: q请输入一个ASCII码: 112q 的ASCII.

Python 十进制转二进制、八进制、十六进制# -*- coding: UTF-8 -*-# Filename : test.py# author by : www.runoob.com# 获取用户输入十进制数dec = int(input("输入数字："))print("十进制数为：", dec)print("转换为二进制为：", bin(dec))print("转换为八进制为：", oct(dec))print("转换为十六进制为：", hex(dec))结果输出：

转义字符 描述 \(在行尾时) 续行符 \\ 反斜杠符号 \’ 单引号 \” 双引号 \a 响铃 \b 退格(Backspace) \e 转义 \000 空
换行 \v 纵向制表符 \t 横向制表符 \r 回车 \f 换页 \oyy 八进制数yy代表的字符，例如：\o12代表换行 \xyy 十进制数yy代表的字符，例如：\x0a代表换行 ...

操作系统接口os模块提供了不少与操作系统相关联的函数。>>> import os>>> os.getcwd() # 返回当前的工作目录'C:\\Python34'>>> os.chdir('/server/accesslogs') # 修改当前的工作目录>>> os.system('mkdir today') # 执行系统命令 mkdir 0建议使用 "import os" 风格而非 "fr

1. 类变量和实例变量在Python Tutorial中对于类变量和实例变量是这样描述的：Generally speaking, instance variables are for data unique to each instance and class variables are for attributes and methods shared by all instances of the class:通常来说，实例变量是对于每个实例都独有的数据，而类变量是该类所有实例共享的..

面向对象技术简介类(Class):用来描述具有相同的属性和方法的对象的集合。它定义了该集合中每个对象所共有的属性和方法。对象是类的实例。 方法：类中定义的函数。 类变量：类变量在整个实例化的对象中是公用的。类变量定义在类中且在函数体之外。类变量通常不作为实例变量使用。 数据成员：类变量或者实例变量用于处理类及其实例对象的相关的数据。 方法重写：如果从父类继承的方法不能满足子类的需求，可以对其进行改写，这个过程叫方法的覆盖（override），也称为方法的重写。 局部变量：定义在方法中的变量，.

作为 Python 初学者，在刚学习 Python 编程时，经常会看到一些报错信息，在前面我们没有提及，这章节我们会专门介绍。Python 有两种错误很容易辨认：语法错误和异常。Python assert（断言）用于判断一个表达式，在表达式条件为 false 的时候触发异常。语法错误Python 的语法错误或者称之为解析错，是初学者经常碰到的，如下实例>>> while True print('Hello world') File "<stdin>

os模块提供了非常丰富的方法用来处理文件和目录。常用的方法如下表所示：序号 方法及描述 1 os.access(path, mode) 检验权限模式 2 os.chdir(path) 改变当前工作目录 3 os.chflags(path, flags) 设置路径的标记为数字标记。 4 os.chmod(path, mode) 更改权限 5 os.cho.

输出格式美化Python两种输出值的方式: 表达式语句和 print() 函数。第三种方式是使用文件对象的 write() 方法，标准输出文件可以用 sys.stdout 引用。如果你希望输出的形式更加多样，可以使用 str.format() 函数来格式化输出值。如果你希望将输出的值转成字符串，可以使用 repr() 或 str() 函数来实现。str()：函数返回一个用户易读的表达形式。 repr()：产生一个解释器易读的表达形式。>>>s='H...

在前面的几个章节中我们脚本上是用 python 解释器来编程，如果你从 Python 解释器退出再进入，那么你定义的所有的方法和变量就都消失了。为此 Python 提供了一个办法，把这些定义存放在文件中，为一些脚本或者交互式的解释器实例使用，这个文件被称为模块。模块是一个包含所有你定义的函数和变量的文件，其后缀名是.py。模块可以被别的程序引入，以使用该模块中的函数等功能。这也是使用 python 标准库的方法。下面是一个使用 python 标准库中模块的例子。#!/usr/bin/pyt

在字典中遍历时，关键字和对应的值可以使用 items() 方法同时解读出来：knights = {'gallahad': 'the pure', 'robin': 'the brave'}for k, v in knights.items(): print(k, v)结果输出：gallahad the purerobin the brave在序列中遍历时，索引位置和对应值可以使用 enumerate() 函数同时得到：for i, v in enumerate(['t

列表Python中列表是可变的，这是它区别于字符串和元组的最重要的特点，一句话概括即：列表可以修改，而字符串和元组不能。以下是 Python 中列表的方法：方法 描述 list.append(x) 把一个元素添加到列表的结尾，相当于 a[len(a):] = [x]。 list.extend(L) 通过添加指定列表的所有元素来扩充列表，相当于 a[len(a):] = L。 list.insert(i, x) 在指定位置插入一个元素。第一个参数是准备插入到其前

Python3 函数函数是组织好的，可重复使用的，用来实现单一，或相关联功能的代码段。函数能提高应用的模块性，和代码的重复利用率。你已经知道Python提供了许多内建函数，比如print()。但你也可以自己创建函数，这被叫做用户自定义函数。定义一个函数你可以定义一个由自己想要功能的函数，以下是简单的规则：函数代码块以def关键词开头，后接函数标识符名称和圆括号()。 任何传入参数和自变量必须放在圆括号中间，圆括号之间可以用于定义参数。 函数的第一行语句可以选择性地使用文档...

迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。迭代器有两个基本的方法：iter()和next()。字符串，列表或元组对象都可用于创建迭代器：>>>list=[1,2,3,4]>>>it=iter(list) # 创建迭代器对象>>>print(next(it))# 输出迭代器的下一个元素1>>>print(next(it))2>&...

Python 中的循环语句有 for 和 while。1、while代码例子：#!/usr/bin/env python3n = 100sum = 0counter = 1while counter <= n: sum = sum + counter counter += 1print("1 到 %d 之和为: %d" % (n, sum))结果输出：1 到 100 之和为: 5050while 循环使用 else 语句在 while.

If语句例子：#!/usr/bin/python3age = int(input("请输入你家狗狗的年龄: "))print("")if age <= 0: print("你是在逗我吧!")elif age == 1: print("相当于 14 岁的人。")elif age == 2: print("相当于 22 岁的人。")elif age > 2: human = 22 + (age - 2) * 5 print("对应人类年龄.

Python3元组Python 的元组与列表类似，不同之处在于元组的元素不能修改。元组使用小括号，列表使用方括号。元组创建很简单，只需要在括号中添加元素，并使用逗号隔开即可。创建元组实例>>>tup1 = ('Google', 'Runoob', 1997, 2000)>>> tup2 = (1, 2, 3, 4, 5 )>>> tup3 = "a", "b", "c", "d" # 不需要括号也可以>>&.

List常规功能不总结了，总结一些和常规语言java、C++、Matlab不一样的地方。1、拼接列表与嵌套列表：代码例子：a = ['a', 'b', 'c']n = [1, 2, 3]x1 = a+n #拼接列表x2 = [a,n] #嵌套列表print(x1)print(x2)输出结果：['a', 'b', 'c', 1, 2, 3][['a', 'b', 'c'], [1, 2, 3]]...

有时候，我们需要对数据内置的类型进行转换，数据类型的转换，你只需要将数据类型作为函数名即可。以下几个内置的函数可以执行数据类型之间的转换。这些函数返回一个新的对象，表示转换的值。函数 描述 int(x [,base]) 将x转换为一个整数 float(x) 将x转换到一个浮点数 complex(real [,imag]) 创建一个复数 str(x)

1、标准数据类型Python3 中有六个标准的数据类型：Number（数字） String（字符串） List（列表） Tuple（元组） Set（集合） Dictionary（字典）Python3 的六个标准数据类型中：不可变数据（3 个）：Number（数字）、String（字符串）、Tuple（元组）； 可变数据（3 个）：List（列表）、Dictionary（字典）、Set（集合）。代码示例：a, b, c, d = 20, 5.5, True, 4+...

Print 输出print 默认输出是换行的，如果要实现不换行需要在变量末尾加上end=""：实例(Python 3.0+)#!/usr/bin/python3x = "a"y = "b"# 换行输出print(x)print(y)print('---------')# 不换行输出print(x, end=" ")print(y, end=" ")print()以上实例执行结果为：D:\PycharmProjects\TestPython\venv\Scr.

作为顶尖学府，MIT 自然有不少优秀的公开课。但是他们并没有停下开源的脚步。一月底，MIT 6.S191：深度学习导论课程已开始授课了。每周更新一次课程视频，还提供了 PPT 和 Lab Session 的内容。在家闲着没事的你，也可以看看这些资料，感受下 MIT 的熏陶。课程官网地址：http://introtodeeplearning.com/index.html...

问题：EXCEL 两列名字 如何快速查看缺少了哪些人名 第一张表为人员姓名底表，A列为姓名，共500人；第二张表中A列姓名中只有490人，如何比较两张表，快速找到这缺失的10人是哪几位方法：比如AB两列名字，A列数量少于B列，单列没有重名，查找A列比B列少了哪些姓名，在C列显示,数据从第二行开始C2输入=if(countif(a:a,b2)=0,b2,"")公式下...

转自：https://baike.baidu.com/item/FDR/16312044?fr=aladdinhttps://blog.csdn.net/taojiea1014/article/details/79681249http://www.360doc.com/content/18/0914/21/19913717_786724085.shtml https://www.soh...

背景：论文要求用Bayesian correlated t-test 分析差异性。特下载了python源码，跑代码出错。import xlrdModuleNotFoundError: No module named 'xlrd'具体简单做法：使用pip install xlrd安装命令，完成多个开发包引用：pip install xlrd,xlwt,numpy,scip...

最近我发现，大家对T检验的使用频率很高，但是有一个共同的应该引起注意的问题，几乎没有人去讨论原始数据的正态分布情况，只要是两样本差异检验，就直接使用T检验出结果。严格来说，这是不严谨的。为什么呢？因为T检验对数据正态分布有一定的要求和假设，当数据明显不是正态分布的时候，要考虑使用非参数检验过程。从这个角度，也能说明非参数检验的实用性更强，使用范围更为广泛。今天就送上一个非参数配...

相关分析用于研究定量数据之间的关系情况，包括是否有关系，以及关系紧密程度等。1、如果呈现出显著性（结果右上角有*号，此时说明有关系；反之则没有关系）；有了关系之后，关系的紧密程度直接看相关系数大小即可。一般0.7以上说明关系非常紧密；0.4~0.7之间说明关系紧密；0.2~0.4说明关系一般。2、如果说相关系数值小于0.2，但是依然呈现出显著性（右上角有*号，1个*号叫0.05水平显...

之前的文章中SPSSAU已经给大家详细地介绍了方差分析，之后收到的一些反馈以及日常的答疑中，我们发现关于T检验三种方法的区分还有很多小伙伴搞不清楚，下面就结合着具体案例详细聊聊T检验的那点事。01. 概念T检验是通过比较不同数据的均值，研究两组数据之间是否存在显著差异。02. 分类不同的T检验方法适用于不同的分析场景，具体的分类如下：03. ...

发表日期：2017-07-03 【大中小】【打印】【关闭】　　近日，自动化所马佳彬、王威、王亮等研究人员在arxiv上预发表了一项研究，提出了一种新形式的卷积神经网络——不规则卷积神经网络，这种新的方法能够解决常规卷积效率低下的问题。　　　 在深度卷积神经网络（CNN）中，卷积核是最基本和最重要的组件。研究人员给卷积核配置了形状属性以生成不规则卷积神经...

10折交叉验证我们构建一个分类器，输入为运动员的身高、体重，输出为其从事的体育项目-体操、田径或篮球。一旦构建了分类器，我们就可能有兴趣回答类似下述的问题：1. 该分类器的精确率怎么样？2. 该分类器到底有多好？3. 和其他分类器相比较，该分类器表现如何？我们把每个数据集分成两个子集 - 一个用于构建分类器，该数据集称为训练集（training set） ...

3Dslicer中 PET/CT 模块 Contents [hide] 1Introduction and Acknowledgements 2Module Description 3Use Cases 4Tutorials 5Panels and their use 6Similar Modules 7Reference...

3Dslicer 3.0系列版本的PET/CT融合模块。目前4.0以上的版本，换成了PETStandardUptakeValueComputation模块。------------------老版本的-----------------PET/CT Fusion Module Fusion GUI panel Coronal Slice ...

专家Iain Collings，提供的演讲，如何写好学术论文。With contributions from Trevor Bird, Stuart Hay, Athman Bouguettaya优秀技术论文的特点• 自上而下的方法•技术深度•专注•原始和可观的贡献（非delta贡献）•有趣•一个单一的线程/故事，几乎可以“可视化”它！•早期设定明确的目标（摘要）•信息...

转载：https://blog.csdn.net/qq_38784454/article/details/80449445一、图像归一化的好处：1、转换成标准模式，防止仿射变换的影响。2、减小几何变换的影响。3、加快梯度下降求最优解的速度。二、图像归一化的方法1、线性函数转换，表达式如下：y=(x-MinValue)/(MaxValue-MinValue)说明：x、y分...

imresizeResize imagecollapse all in pageSyntax B = imresize(A,scale) example B = imresize(A,outputSize) example [Y,newmap] = imresize(X,map,___) example ___= imresize(___,method)...

dicominfo通过指定文件名，读取DICOM文件的头信息（元数据）Syntaxinfo = dicominfo(filename)info = dicominfo(filename, 'dictionary', D)info = dicominfo(___,'UseVRHeuristic', TF)info = dicominfo(___, 'UseDictionaryVR'...

功能：读取DICOM 图像SyntaxX = dicomread(filename)X = dicomread(info)%%[X,map] = dicomread(...)[X,map,alpha] = dicomread(...)[X,map,alpha,overlays] = dicomread(...)[...] = dicomread(filename, 'frame...

设置matlab默认工作路径：主页->预设->常规菜单：初始工作文件夹设置：

L = bwlabel(BW,n)功能概述：返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，这些标签的值为1、2、num（连通区域的个数）。n的值为4或8，表示是按4连通寻找区域，还是8连通寻找，默认为8。用法：L = bwlabel(BW)L = bwlabel(BW,n)[L,num] = bwlabel(___)[gpuarrayL,num] =...

转自：https://www.jianshu.com/p/30728e1f7400NBIA Data Retriever(NBIA数据下载工具)使用一、背景 如何从TheCancerImagingArchive(TCIA)美国癌症医学影像档案中心，下载癌症病例数据。官方文档已经解释很清楚了，但是有些同学依然会有运行不了下载工具的错误。如何解决，请看本文介绍。图...