Python Coding Skills

*args和**kwargs

*args & **kwargs

model.name_parameters()

model.name_parameters中包含该模型的所有参数，以及其是否参与梯度运算。

model = DarkNet([1, 2, 8, 8, 4])
for name, param in model.named_parameters():
    print(name,param.requires_grad)
    param.requires_grad = False

输出结果为：

conv1.weight True
bn1.weight True
bn1.bias True
layer1.ds_conv.weight True
layer1.ds_bn.weight True
layer1.ds_bn.bias True
layer1.residual_0.conv1.weight True
layer1.residual_0.bn1.weight True
layer1.residual_0.bn1.bias True
layer1.residual_0.conv2.weight True
····

代码参考：原文链接

torch中的clone()和detach()

clone()和detach()都是对Tensor进行的复制操作。二者的不同之处在于复制Tensor后，新的Tensor是否与原Tensor共享内存以及是否仍需要计算梯度。
下图清晰的展现了二者的区别：

Reference & Experiments

//（地板除）

在python中使用双斜杠出发，代表抹去小数部分，只保留证书部分。
如:
5 // 2 = 2 （5 ÷ 2 = 2.5）

5 // 3 = 1 (5 ÷ 3 = 1.6666666666666667)

expand_as()

将Tensor扩展为其他Tensor的大小。

x = torch.rand(1,2,3,1)
y = torch.rand(1,2,1,1)
print(x)
print(y)
y = torch.expand_as(x)
print(y)

输出：

tensor([[[[0.6562, 0.2285, 0.5095],
          [0.7477, 0.4172, 0.4819],
          [0.4797, 0.6547, 0.7803]],

         [[0.0496, 0.7345, 0.8254],
          [0.9246, 0.5301, 0.0871],
          [0.9279, 0.9954, 0.7164]]]])
tensor([[[[0.8026],
          [0.2089],
          [0.8383]],

         [[0.6787],
          [0.2688],
          [0.5040]]]])
tensor([[[[0.8026, 0.8026, 0.8026],
          [0.2089, 0.2089, 0.2089],
          [0.8383, 0.8383, 0.8383]],

         [[0.6787, 0.6787, 0.6787],
          [0.2688, 0.2688, 0.2688],
          [0.5040, 0.5040, 0.5040]]]])

Linux中后台运行python代码

参考博客： Nohup

字典的items（）函数

将字典返回可以遍历的元组。
示例用法：

dict = {'en':'hello','zh':'你好'}
for key,value in dict.items():
	print(key,value)

输出结果为：

en hello
zh 你好