格式化
- On Windows Shift + Alt + F
- On Mac Shift + Option + F
- On Ubuntu Ctrl + Shift + I
argparse
是python自带的命令行参数解析包，可以用来方便地读取命令行参数。
Tqdm
是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。
查看cpu：top
查看GPU：nvidia-smi
python 安装第三方库，超时报错--Read timed out.
https://www.cnblogs.com/xiaoduc-org/p/5958973.html
pip --default-timeout=100 install -U Pillow
pip3 install -U --timeout 1000 matplotlib
安装vscode：https://blog.csdn.net/m0_37192554/article/details/83714975
退出：exit（）即可退出dos到最初
打开settings.json齿轮，设置，搜json，在json中设置，
打开cmd ：win+r
进入目录：cd\+目录 二级cd+目录
关于python中conda环境的激活问题：输入命令 conda env list
base后面即为安装的路径,首先输入 activate+你的路径 出现base说明已经进入环境,在输入conda activate base
https://blog.csdn.net/oy_1024/article/details/100413699
Anaconda下的TypeError:LoadLibrary() argument1 must be str, not None问题。
输入conda.bat activate再进行其他操作即可 会成为（base）c:。。
https://blog.csdn.net/AI414010/article/details/100011008
unused import statement解决方法 ：
file下有invalidate caches/restart选项，点击即可。
python数组加法：
aaa = array([20, 30, 40, 50])+(1,)
aaa=[21, 31, 41, 51]
arange
nd1 = np.arange(5)#array([0, 1, 2, 3, 4])
nd2 = np.arange(1,5)#array([1, 2, 3, 4])
nd3 = np.arange(1,5,2)#nd3 = np.arange(1,5,2)
data.ravel()：扁平化
将多维数组转换为一维数组
random_split：def randomSplit(weights: Array[Double], seed: Long = Utils.random.nextLong): Array[RDD[T]] 该函数根据weights权重，将一个RDD切分成多个RDD
DataLoader：
dataset(Dataset): 传入的数据集 batch_size(int, optional): 每个batch有多少个样本 shuffle(bool, optional): 在每个epoch开始的时候，对数据进行重新排序 sampler(Sampler, optional): 自定义从数据集中取样本的策略，如果指定这个参数，那么shuffle必须为False batch_sampler(Sampler, optional): 与sampler类似，但是一次只返回一个batch的indices（索引），需要注意的是，一旦指定了这个参数，那么batch_size,shuffle,sampler,drop_last就不能再制定了（互斥——Mutually exclusive） num_workers (int, optional): 这个参数决定了有几个进程来处理data loading。0意味着所有的数据都会被load进主进程。（默认为0） collate_fn (callable, optional): 将一个list的sample组成一个mini-batch的函数 pin_memory (bool, optional)： 如果设置为True，那么data loader将会在返回它们之前，将tensors拷贝到CUDA中的固定内存（CUDA pinned memory）中. drop_last (bool, optional): 如果设置为True：这个是对最后的未完成的batch来说的，比如你的batch_size设置为64，而一个epoch只有100个样本，那么训练的时候后面的36个就被扔掉了… 如果为False（默认），那么会继续正常执行，只是最后的batch_size会小一点。 timeout(numeric, optional): 如果是正数，表明等待从worker进程中收集一个batch等待的时间，若超出设定的时间还没有收集到，那就不收集这个内容了。这个numeric应总是大于等于0。默认为0
for in：
循环结构(for-in) 说明：
也是循环结构的一种，经常用于遍历字符串、列表，元组，字典等 格式：
for x in y: 循环体 执行流程：x依次表示y中的一个元素，遍历完所有元素循环结束
python类：
https://blog.csdn.net/qq_35732147/article/details/83084774
__init__()是构造方法，开头和末尾各有两个下划线，这是一种约定，用于避免默认方法与普通方法发生名称冲突。 Python调用这个__init__()方法来创建Dog实例时，将自动传入实参self。每个与类相关联的方法调用都自动传递实参self，它是一个指向实例本身的引用，让实例能够访问类中的属性和方法。
继承：
定义子类时，必须在括号内指定父类的名称。 子类的方法__init__()接受创建Car实例所需的信息。 super()是一个特殊函数，帮助Python将父类和子类关联起来，让Python调用ElectricCar的父类的方法__init__()，让ElectricCar实例包含父类的所有属性。 另外，上面还为子类添加了新属性battery_size。
这里重写了父类的get_descriptive_name()方法，所以子类调用该方法时，Python将忽略Car类中的get_descriptive_name()方法。
导入单个类
from car import Car # 从car.py文件中导入Car类
从一个模块中导入多个类
from car import Car, ElectricCar # 从car.py文件中导入Car类和ElectricCar类
导入模块中的所有类
from car import * # 导入car.py文件中的所有类
默认参数函数：
def pow(x, n = 2):
return r
print(pow(5)) # output: 25 第二个参数默认了。
pow（5, n==3） #不默认
SDG：
要使用torch.optim，您必须构造一个optimizer对象。这个对象能保存当前的参数状态并且基于计算梯度更新参数。
要构造一个Optimizer，你必须给它一个包含参数（必须都是Variable对象）进行优化。然后，您可以指定optimizer的参数选项，比如学习率，权重衰减等。
SGD是最基础的优化方法，普通的训练方法, 需要重复不断的把整套数据放入神经网络NN中训练, 这样消耗的计算资源会很大.当我们使用SGD会把数据拆分后再分批不断放入 NN 中计算. 每次使用批数据, 虽然不能反映整体数据的情况, 不过却很大程度上加速了 NN 的训练过程, 而且也不会丢失太多准确率.
首先sgd的参数有三个，1）opfunc；2）x；3）config；4）state 1）opfunc&x：第一个参数opfunc是一个求cost function以及cost function针对于权重的导数的函数，而这个函数的参数就是sgd的第二个参数x了。
2）config：第三个参数是一些配置变量，用来优化梯度下降用的，为了防止求得的最优解是局部最优解而不是全局最优解。
3）state：第四个变量state，个人认为最有用的就是state.evalCounter，因为它与学习速率有关，下文会有说明。
https://blog.csdn.net/qq_34690929/article/details/79932416
to.(device):
mytensor = my_tensor.to(device) 这行代码的意思是将所有最开始读取数据时的tensor变量copy一份到device所指定的GPU上去，之后的运算都在GPU上进行。
Tensor总结
（1）Tensor 和 Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上；
（2）Tensor和Numpy互相转化很方便，类型也比较兼容
（3）Tensor可以直接通过print显示数据类型，而Numpy不可以
https://blog.csdn.net/byron123456sfsfsfa/article/details/90609758
numpy.argmin：
表示最小值在数组中所在的位置
若添加axis这个参数-----求在行或者列方向上的最小值索引
axis=0 表示列方向上的最小值索引，axis=1表示行方向的最小值索引
numpy.mod(x1, x2)：
相当于Python模运算符``x1％x2``，并且与除数x2具有相同的符号。
backward()：
https://blog.csdn.net/douhaoexia/article/details/78821428
optimizer：
其主要起到的作用就是进行权重的更新，如下：
https://blog.csdn.net/yangdashi888/article/details/84314695
#BatchNorm2d
最常用于卷积网络中(防止梯度消失或爆炸)，设置的参数就是卷积的输出通道数
https://blog.csdn.net/jiugedexiaodi/article/details/90812412
逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions)
1.首先先定义进行卷积的参数： 输入特征图为高宽一样的Hin*Hin大小的x 卷积核大小kernel_size
步长stride padding填充数(填充0)
输出特征图为Hout*Hout大小的y
计算式子为： Hout = floor( Hin + 2*padding - kernel_size / stride) + 1
m = nn.ReLU(inplace=True)：
#inplace为True，将会改变输入的数据 ，否则不会改变原输入，只会产生新的输出
argparse模块
argparse是python用于解析命令行参数和选项的标准模块
https://blog.csdn.net/chengxuyuanyonghu/article/details/59716405
PyYaml
读取数据
os.path.join()
函数用于路径拼接文件路径。
SummaryWriter
用自动生成的文件名创建writer3 object
Augmentations
通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据.也就是Data Augmentation
BrokenPipeError: [Errno 32] Broken pipe
错误是由于：写了多线程读取，
trainloader = t.utils.data.DataLoader(
trainset,
batch_size=4,
shuffle=False,
num_workers=2)
是这样的，你刚刚应该是直接按f5运行的
但是vscode虽然强大，也不太支持多线程情况下的调试，而num_workers的意义是数据读取是使用多线程
2就是双线程
如果你直接运行而不调试（比如shift+F5，或者命令行运行这个python文件等等），多线程是完全没问题的
Normalize
transforms.Normalize()
给定均值：(R,G,B) 方差：（R，G，B），将会把Tensor正则化。即：Normalized_image=(image-mean)/std。
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
t.utils.data.DataLoader
trainloader = t.utils.data.DataLoader(
trainset,
batch_size=4,
shuffle=False,
num_workers=0)
dataset：包含所有数据的数据集 batch_size :每一小组所包含数据的数量 Shuffle : 是否打乱数据位置，当为Ture时打乱数据，全部抛出数据后再次dataloader时重新打乱。 sampler : 自定义从数据集中采样的策略，如果制定了采样策略，shuffle则必须为False. Batch_sampler:和sampler一样，但是每次返回一组的索引，和batch_size, shuffle, sampler, drop_last 互斥。 num_workers : 使用线程的数量，当为0时数据直接加载到主程序，默认为0。 collate_fn:不太了解 pin_memory:s 是一个布尔类型，为T时将会把数据在返回前先复制到CUDA的固定内存中 drop_last:布尔类型，为T时将会把最后不足batch_size的数据丢掉，为F将会把剩余的数据作为最后一小组。 timeout：默认为0。当为正数的时候，这个数值为时间上限，每次取一个batch超过这个值的时候会报错。此参数必须为正数。 worker_init_fn:和进程有关系，暂时用不到
next(iterator[, default]) iterator -- 可迭代对象 default -- 可选，
dataiter = iter(trainloader)
images, labels = dataiter.next()
make_grid
的作用是将若干幅图像拼成一幅图像。其中padding的作用就是子图像与子图像之间的pad有多宽
show = ToPILImage()
img1=show(tv.utils.make_grid((images+1)/2)).resize((400,100))
img1.show()
super() 函数是用于调用父类(超类)的一个方法。
super 是用来解决多重继承问题的，直接用类名调用父类方法在使用单继承的时候没问题，但是如果使用多继承，会涉及到查找顺序（MRO）、重复调用（钻石继承）等种种问题。
super(Student,self).__init__() 这是对继承自父类的属性进行初始化。而且是用父类的初始化方法来初始化继承的属性。 也就是说，子类继承了父类的所有属性和方法，父类属性自然会用父类方法来进行初始化。 当然，如果初始化的逻辑与父类的不同，不使用父类的方法，自己重新初始化也是可以的。
torch.nn.Linear（in_features，out_features，bias = True ）[来源]
对传入数据应用线性变换：y = A x+ b
参数： in_features - 每个输入样本的大小
out_features - 每个输出样本的大小
bias - 如果设置为False，则图层不会学习附加偏差。
默认值：True
nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True))
参数：
in_channel: 输入数据的通道数，例RGB图片通道数为3；
out_channel: 输出数据的通道数，这个根据模型调整；
kennel_size: 卷积核大小，可以是int，或tuple；kennel_size=2,意味着卷积大小2， kennel_size=（2,3），意味着卷积在第一维度大小为2，在第二维度大小为3；
stride：步长，默认为1，与kennel_size类似，stride=2,意味在所有维度步长为2， stride=（2,3），意味着在第一维度步长为2，意味着在第二维度步长为3；
padding： 零填充
pytorch中nn.ReLU和F.ReLU的区别
实际计算结果一致。不同的是nn.ReLU作为一个层结构，必须添加到nn.Module容器中才能使用，而F.ReLU则作为一个函数调用。
F.ReLU激活函数
https://www.cnblogs.com/guoyaohua/p/8727509.html?foxhandler=RssReadRenderProcessHandler
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) 卷积-》激活-》池化
639
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
