pytorch
1.np.where
np.where
函数是 NumPy 中用于根据指定条件返回元素索引的函数。它有两种常见的用法:
. 返回满足条件的元素索引
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
indices = np.where(arr > 2)
print(indices)
# 输出:(array([2, 3, 4]),)
这里 np.where(arr > 2)
返回一个包含满足条件的元素索引的元组,即 (array([2, 3, 4]),)
。在这个例子中,元素值大于2的索引是2、3、4。
替换满足条件的元素
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
new_arr = np.where(arr > 2, arr, 0)
print(new_arr)
# 输出:[0 0 3 4 5]
这里 np.where(arr > 2, arr, 0)
表示如果元素大于2,则保留原值,否则替换为0。在这个例子中,大于2的元素是3、4、5,所以最终的 new_arr
是 [0, 0, 3, 4, 5]
。
总的来说,np.where
可以根据指定的条件返回满足条件的元素索引或根据条件替换数组中的元素。
2.assert
在编程中,assert
是一种用于测试代码正确性的关键字。它用于在代码中插入断言,如果断言条件为假,程序会引发 AssertionError
异常,从而提醒开发者在出现问题时进行调试。
3math.ceil
向上取整函数
import math
x = 3.14
result = math.ceil(x)
print(result)
# 输出:4
4.transform.ToTensor()
transform.ToTensor()是Pytorch中的一个图像预处理函数,用于将图像数据从PIL(Python Imaging Library)格式转换为张量。它能够将形状为(H, W, C)的多维数组或PIL图像对象转换为形状为(C, H, W)的张量。其中,H代表图像的高度,W代表图像的宽度,C代表图像的通道数。
图像一直都是RGB图像,所以PIL读取的数据可以不做变换,opencv读取的要变换一下(BGR)
5.x,size和x.shape
基础数据类型
python中的基础数据类型有——数字,字符串,列表,元组,字典,集合。
其中字符串,列表,元组,字典和集合均通过 len(x) 函数取维度。
numpy数据类型
对于numpy中的数组,其维度可以通过shape获得,元素个数通过size获得。
(1)x.size 这里size为x的属性,不需要加括号,输出为x中的元素个数
(2)numpy.size(x) 这里的size()是numpy的内置函数,输出为x中的元素个数
(3)x.shape 这里shape为x的属性,不需要加括号,输出为x的维度
(4)numpy.shape(x) 这里的shape()是numpy的内置函数,输出为x的维度
torch数据类型
对于torch中的tensor,其维度可以通过len()函数获得,也可以通过size()和shape获得
(1)x.size() 这里size()为x的属性,输出为x的维度
(2)x.shape 这里shape是x的属性,输出为x的维度
6.unsqueeze(dim=-1)
具体来说,unsqueeze(dim=-1)
会在指定的维度上添加一个维度。例如,如果你有一个形状为 (N, C) 的张量,其中 N 是批次大小,C 是通道数,unsqueeze(dim=-1)
会使其形状变为 (N, C, 1)。
这里的 dim=-1
表示在最后一个维度上添加新的维度。在PyTorch中,张量的维度是从右到左编号的,所以 dim=-1
指的是最后一个维度。
例如,如果你有一个二维张量 tensor([[1, 2], [3, 4]])
,使用 unsqueeze(dim=-1)
后会变成 tensor([[[1], [2]], [[3], [4]]])
。