一些函数1

view()       

类似reshape

如果是torch.view(参数a，-1)，则表示在参数b未知，参数a已知的情况下自动补齐列向量长度，在这个例子中a=2，tt3总共由6个元素，则b=6/2=3。

>>> import torch
>>> tt1=torch.tensor([-0.3623, -0.6115,  0.7283,  0.4699,  2.3261,  0.1599])
>>> result=tt1.view(3,2)
>>> result
tensor([[-0.3623, -0.6115],
        [ 0.7283,  0.4699],
        [ 2.3261,  0.1599]])

squeeze() unsqueeze()

b = torch.arange(0,6)     #默认步长为1
b.view(2,3)
b.unsqueeze(1)        #维度变成(2,1,3)

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # （[100]） -> （[100,1]）

 只有维度为1的时候才能去掉

# c的维度是(1,2,3)
c.squeeze(-3)   <==>   c.squeeze(0)  去掉第一维
c.squeeze(-2)   没有变化

torch.linspace()   torch.arange()

线性间距向量，生成等差数列

arange()类似于内置函数range()，通过指定开始值、终值和步长创建表示等差数列的一维数组，注意得到的结果数组不包含终值。

linspace()通过指定开始值、终值和元素个数创建表示等差数列的一维数组，可以通过endpoint参数指定是否包含终值，默认值为True，即包含终值。

a = torch.arange(0, 10, 2)      # 间隔为2， 不包含终值
b = torch.linspace(0, 10, 2)    # 包含2个数， 默认包含终值（endpoint）
print(a)
print(a.size())
print(b)
print(b.size())

tensor([0, 2, 4, 6, 8])
torch.Size([5])
tensor([ 0., 10.])
torch.Size([2])

torch.save()

可以保存模型或只保存模型参数

    # 2 ways to save the net
    torch.save(net1, 'net.pkl')  # save entire net
    net2 = torch.load('net.pkl')
    torch.save(net1.state_dict(), 'net_params.pkl')  # save only the parameters
    net3.load_state_dict(torch.load('net_params.pkl')) # 需要先构建net3的框架

enumerate()

该函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。

a = [[1, 2], [3, 4], [5, 6]]
for num, p in enumerate(a):
    print(str(num), end=' ')
    print(p)

0 [1, 2]
1 [3, 4]
2 [5, 6]

season = ['spring', 'summmer', 'fall', 'winter']
print(list(enumerate(season)))

[(0, 'spring'), (1, 'summmer'), (2, 'fall'), (3, 'winter')]

zip()

该函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

>>>a = [1,2,3]
>>> b = [4,5,6]
>>> c = [4,5,6,7,8]
>>> zipped = zip(a,b)     # 打包为元组的列表
[(1, 4), (2, 5), (3, 6)]
>>> zip(a,c)              # 元素个数与最短的列表一致
[(1, 4), (2, 5), (3, 6)]
>>> list(zip(*zipped))          # 与 zip 相反，*zipped 可理解为解压，返回二维矩阵式
[(1, 2, 3), (4, 5, 6)]

# 用迭代器访问
temp = zip(num, season)
d = zip(*temp)
it = iter(d)
for i in it:
    print(i)

(1, 2, 3, 4)
('spring', 'summmer', 'fall', 'winter')

# 如果直接打印d，会显示d为<zip object at 0x00000156AA0F6048>

向列表末尾插入元素

num = [i for i in range(10)]
a = [7, 7, 7]
num[10:10] = a

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 7, 7, 7]

torch.stack()

 

transforms.ToTensor()

(1） transforms.ToTensor() 将numpy的ndarray或PIL.Image读的图片转换成形状为(C,H, W)的Tensor格式，且/255归一化到[0,1.0]之间
(2）通道的具体顺序与cv2读的还是PIL.Image读的图片有关系
cv2:(B,G,R)
PIL.Image:(R, G, B)

import torch
import cv2
from PIL import Image
from torchvision import transforms
image = cv2.imread('myimage.jpg')  # numpy数组格式（H，W，C=3），通道顺序（B,G,R)
image2 = Image.open('myimage.jpg')  # PIL的JpegImageFile格式(size=(W，H))
print(image.shape)  # (H，W，3）
print(image2.size)  # (W，H）
tran = transforms.ToTensor()  # 将numpy数组或PIL.Image读的图片转换成(C,H, W)的Tensor格式且/255归一化到[0,1.0]之间
img_tensor = tran(image)
img2_tensor = tran(image2)
print(img_tensor.size())  # (C,H, W), 通道顺序（B,G,R)
print(img2_tensor.size())  # (C，H, W), 通道顺序（R,G,B)

输出结果 :

实际转换流程如下：