在复现AlexNet神经网络时遇到的一些问题

最近在复现AlexNet分类神经网络时，遇到了一些重复出现的问题，特此在这记录一下。

• 1.这一部分主要是针对python的os操作

• random.seed()：使用该函数可以保证随机生成的数据具有可复现性，即

保证随机性具有可复现性，只要seed()里的数字不变，下一次生成的随机数不变

import numpy as np
np.random.seed(0)
num = np.random.randint(1,10,(3,2))
print(num)

• os.getcwd():返回当前python文件所在的目录

import os
cwd = os.getcwd()
print(cwd)

• os.path.join():拼接文件目录，可以同时拼接多个目录

  root1 = os.path.join(cwd,'dd','bb','kk')
  print(root1)

• 断言assert：条件为False时执行，条件为True时不执行

  x = 4
  assert x > 5,"警告！x小于5了"

   

•  os.path.exists():测试该路径目录或文件是否存在，存在返回True，不存在返回Fals

  root = os.path.join(os.getcwd(),'flower_data','flower_photos')
  print(os.path.exists(root))
  assert os.path.exists(root),f"警告，该{root}不存在！"

• os.listdir():返回该目录下的所有文件夹和文件

  root = os.path.join(os.getcwd(),'flower_data','flower_photos')
  print(os.listdir(root))

   

• os.path.isdir():测试该目录是否存在，存在返回Tru，不存在返回False（不能用于测试文件，测试文件不管文件是否存在都会返回False）

  root = os.path.join(os.getcwd(),'flower_data','flower_photos','LICENSE.txt')
  print(os.path.isdir(root))

   

• list = [i for in 集合 if i 逻辑条件]：把集合中符合逻辑条件的i添加到list列表中去

  list1 = [i for i in range(5,20) if i >= 10]
  print(list1)

   

• os.makedirs()：新建目录文件    os.rmdir():删除目录文件

  root = os.path.join(os.getcwd(),'flower_data','ctd')
  os.makedirs(root)
  os.rmdir(root)

   

• 2.这一部分是针对神经网络的

• nn.init.kaiming_normal_()：凯明权重初始化方法

  from torch import nn
  list1 = [[0.5513, 0.9908, 0.1751, 0.5281, 0.1055],
          [0.3166, 0.1625, 0.0898, 0.7519, 0.1822],
          [0.0461, 0.2430, 0.9435, 0.0249, 0.5389]]
  tensor1 = torch.Tensor(list1)
  print(f"初始化前tensor1：{tensor1}")
  nn.init.kaiming_normal_(tensor1,mode="fan_out",nonlinearity='relu')
  print(f"初始化后tensor2:{tensor1}")
  
  list2 = [[0.5513, 0.9908, 0.1751, 0.5281, 0.1055],
          [0.3166, 0.1625, 0.0898, 0.7519, 0.1822],
          [0.0461, 0.2430, 0.9435, 0.0249, 0.5389]]
  tensor2 = torch.Tensor(list2)
  print(f"初始化前tensor1：{tensor2}")
  nn.init.kaiming_normal_(tensor2,mode="fan_in",nonlinearity='relu')
  print(f"初始化后tensor2:{tensor2}")
  
  list3 = [[0.5513, 0.9908, 0.1751, 0.5281, 0.1055],
          [0.3166, 0.1625, 0.0898, 0.7519, 0.1822],
          [0.0461, 0.2430, 0.9435, 0.0249, 0.5389]]
  tensor3 = torch.Tensor(list3)
  print(f"初始化前tensor1：{tensor3}")
  nn.init.kaiming_normal_(tensor3,mode="fan_out",nonlinearity='relu')
  print(f"初始化后tensor2:{tensor3}")

   

• nn.init.constant_()：偏置初始化

  from torch import nn
  list1 = [[0.5513, 0.9908, 0.1751, 0.5281, 0.1055],
          [0.3166, 0.1625, 0.0898, 0.7519, 0.1822],
          [0.0461, 0.2430, 0.9435, 0.0249, 0.5389]]
  tensor1 = torch.Tensor(list1)
  print(f"初始化前tensor1：{tensor1}")
  nn.init.constant_(tensor1,0.2)
  print(f"初始化后tensor2:{tensor1}")

   

• item()：用于将张量特定位置的元素转换为python的基本数据类型

  tensor = torch.randn(3,2)
  
  print(tensor)
  
  num = tensor[2,1].item()
  print(f"num:{num}\nnum的类型：{type(num)}")

   

• torch.max()的用法

  tensor = torch.Tensor([[7, 3, 9, 1, 4],
          [9, 3, 2, 9, 5],
          [5, 5, 4, 5, 3],
          [5, 4, 2, 8, 8]])
  print(tensor)
  # dim=1按行最大 torch.max()返回两个元素，一个是最大元素，一个是最大元素的位置
  tensor = torch.max(tensor,dim=1)
  print(f"最大元素：{tensor[0]}\n最大元素的位置：{tensor[1]}")