本文链接：https://blog.csdn.net/qq_43964318/article/details/126855549

1.有关路径和文件的操作

	os.mkdir()和os.makedirs() 第一个是创建单级目录，第二个可以创建多级目录
	os.path.join() 连接路径
	os.path.exist() 判断路径是否存在
	y,sr = librosa.load(wav,sr=None)，对音频进行导入，可以指定sr的值
	a.equal(b)  判断两个tensor是否完全一样

rang（起点，终点，步长）
如何写一个dataloader
继承Dataset类，这个类类似于c++中的虚基类，源码如下：

__getitem__就是给一个item然后获取到对应的标签
len 就是获取到数据集的个数
tqdm:是一个快速的，易扩展的进度条提示模块,另外在西班牙语中还有I love you so much的意思
```
pbar = tqdm(train_loader, desc='Epoch: {}'.format(epoch + 1), ncols=100)
```
参数：iterable=None，
desc=None,进度条前面的提示
total，迭代元素的多少
leave，如果是true显示所有的进度条，如果是None只显示第一个
file，指定输出的路径
ncols，输出信息的宽度
mininterval=0.1 最小进度显示更新间隔
maxinterval 最大进度显示更新间隔
miniters 在迭代中显示最小进度的间隔
torch.unsqueeze()
squeeze是降维，unsqueeze是升维。
```
clean = torch.unsqueeze(clean,dim=1)
```
nn.Conv1d参数解析

torch.nn.Conv1d(in_channels,       "输入图像中的通道数"
                out_channels,      "卷积产生的通道数"
                kernel_size,       "卷积核的大小"
                stride,            "卷积的步幅。默认值：1"
                padding,           "添加到输入两侧的填充。默认值：0"
                dilation,          "内核元素之间的间距。默认值：1"
                groups,            "从输入通道到输出通道的阻塞连接数。默认值：1"
                bias,              "If True，向输出添加可学习的偏差。默认：True"
                padding_mode       "'zeros', 'reflect', 'replicate' 或 'circular'. 默认：'zeros'"
                )

ConvTranspose1d，转置卷积（上采样）
nn.GroupNorm：

动态更新学习率

torch.optim.lr_scheduler.ReduceLROnPlateau()
在这里插入图片描述
schedular.step(val_loss) 里输入的val_loss是否减小来更改lr的值的

进度条tqdm

# 方法1
for i in tqdm.tqdm(可迭代对象):
	pass

# 方法2
for idx, i in enumerate(tqdm.tqdm(可迭代对象)):
	pass

detach()

detach()就是返回一个新的tensor，并且这个tensor是从当前的计算图中分离出来的。但是返回的tensor和原来的tensor是共享内存空间的。举个例子：如果A网络的输出被喂给B网络作为输入，如果我们希望在梯度反传的时候只更新B中参数的值，而不更新A中的参数值，这时候就可以使用detach()