endswith()，issubset() ,deepcopy,round，eval()，numel()，extend()，argmax,torch.cat()，view（）方法

endswith()

方法用于判断字符串是否以指定后缀结尾，如果是则返回 True，否则返回 False

str.endswith(".txt") #能判断str字符串是否以.txt结尾

x.issubset(y)

方法用于判断集合 x 的所有元素是否都包含在集合 y ，如果是则返回 True，否则返回 False

x = {"a", "b", "c"}

y = {"f", "e", "d", "c", "b", "a"}

z = x.issubset(y)

print(z)#输出True

copy.deepcopy()

的用法是将某一个变量的值赋值给另一个变量(此时两个变量地址不同)

a = [1, 2, 3]

d = copy.deepcopy(a) # a和d的地址不相同

python copy.deepcopy()深入解读-CSDN博客

round() 

方法返回浮点数x的四舍五入值

x=round(80.23456, 2)                 #80.23

eval()

用字符串来新建对象，新建列表、元组、字典什么的。

字符串转换为字典

 a = "{1: 'a', 2: 'b'}"

print(type(a))

b = eval(a)

print(type(b))

print(b)

字符串新建对象

class Life():
	animal = 'cat'
	food = 'banana'
	sport = 'run'
	language = 'python'
	def __init__(self):
		pass
 

life1 = Life()
life2 = eval("Life()")

#两种方法都可以新建 Life 类的对象

实际上就是去掉字符串的引号""，直接把那一段字符串输入进代码的对应部分。比如下面两段代码是等价的

class Life():
	animal = 'cat'
	food = 'banana'
	sport = 'run'
	language = 'python'
	def __init__(self):
		pass

a=eval("Life()")

class Life():
	animal = 'cat'
	food = 'banana'
	sport = 'run'
	language = 'python'
	def __init__(self):
		pass

a=Life()

numel()函数

获取tensor中一共包含多少个元素

import torch
x = torch.randn(3,3)
print("number elements of x is ",x.numel())
y = torch.randn(3,10,5)
print("number elements of y is ",y.numel())

输出：

number elements of x is 9
number elements of y is 150

extend()函数

用于在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表）

A = [1, 2, 3]
B = [['a', 'b']]
A.extend([4])
A.extend([5, 6])
B.extend(['c', 'd'])
B.extend([['e', 'f']])
print(A)
print(B)

结果：

[1, 2, 3, 4, 5, 6]
[['a', 'b'], 'c', 'd', ['e', 'f']]

torch.argmax()函数

函数功能：求最大值序号

x = torch.randn(3, 5)
print(x)
print(torch.argmax(x))
print(torch.argmax(x, dim=0))
print(torch.argmax(x, dim=-2))
print(torch.argmax(x, dim=1))
print(torch.argmax(x, dim=-1))

输出：

tensor([[-1.0214,  0.7577, -0.0481, -1.0252,  0.9443],
        [ 0.5071, -1.6073, -0.6960, -0.6066,  1.6297],
        [-0.2776, -1.3551,  0.0036, -0.9210, -0.6517]])
tensor(9)
tensor([1, 0, 2, 1, 1])
tensor([1, 0, 2, 1, 1])
tensor([4, 4, 2])
tensor([4, 4, 2])

torch.cat()函数

在指定维度上对tensor拼接，在深度学习的concat层中常用，一般是

z=[x,y]
z=torch.cat(z,1)#因为第0维是batch_size，第1维一般是channel，[batch_size, ch, w, h]

import torch
x=torch.arange(1,25).reshape([2,3,4])
y=torch.arange(101,125).reshape([2,3,4])

z=[x,y]
print(z)
z=torch.cat(z,1)
print(z)
print(z.shape)

输出

[tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8],
         [ 9, 10, 11, 12]],

        [[13, 14, 15, 16],
         [17, 18, 19, 20],
         [21, 22, 23, 24]]]), tensor([[[101, 102, 103, 104],
         [105, 106, 107, 108],
         [109, 110, 111, 112]],

        [[113, 114, 115, 116],
         [117, 118, 119, 120],
         [121, 122, 123, 124]]])]
tensor([[[  1,   2,   3,   4],
         [  5,   6,   7,   8],
         [  9,  10,  11,  12],
         [101, 102, 103, 104],
         [105, 106, 107, 108],
         [109, 110, 111, 112]],

        [[ 13,  14,  15,  16],
         [ 17,  18,  19,  20],
         [ 21,  22,  23,  24],
         [113, 114, 115, 116],
         [117, 118, 119, 120],
         [121, 122, 123, 124]]])
torch.Size([2, 6, 4])

view（）

相当于reshape（）

x = torch.randn(4, 4)
print(x.size())
y = x.view(16)
print(y.size())
z = x.view(-1, 8)  # -1表示该维度取决于其它维度大小，即（4*4）/ 8
print(z.size())
m = x.view(2, 2, 4) # 也可以变为更多维度
print(m.size())

结果：

torch.Size([4, 4])
torch.Size([16])
torch.Size([2, 8])
torch.Size([2, 2, 4])