python 笔记

pdb

pdb开始调试python

python -m pdb 源程序.py

pdb设置断点

• linenumber是断点所在行数

break linenumber
b linenumber

• 取消断点

clear linenumber

重新运行

run
注意分别：r是return的意思，就是执行到函数结束

单步执行

n(ext)

进入到函数的内部

s(tep)

执行到下一个断点或程序结束

c(ontinue)

调用栈查看命令

w(here)

查看当前函数调用堆栈

up

向上一层函数查看调用堆栈

down

查看源代码

ll 查看当前函数的源代码

import

import 用法

• 导入整个模块。基本的import语句用于导入整个模块，可以使用模块名直接访问模块中的内容。例如，import math后可以使用math.sqrt()或math.fabs()等函数。

• 为模块指定别名。使用as关键字可以为导入的模块指定别名，例如import math as m，然后可以使用m.sqrt()代替math.sqrt()。

• 导入模块中的特定成员。使用from…import…语句可以导入模块中的特定函数、变量或类，例如from math import sqrt，这样可以直接使用sqrt()函数，而不需要通过模块名前缀。

• 导入模块中的所有内容。from…import *语句用于导入模块中的所有函数、类和变量，这样可以直接使用这些内容，而无需通过模块名前缀。但这种方法可能导致命名冲突，因此不推荐在大型项目中使用。
  + 导入包中的模块。可以使用点模块名来导入包中的模块，例如import os或import math
  +

python格式化字符串

 print(f"epoches:{epoch},accurate={acc}")

lambda 匿名函数

用法

numpy

导入numpy模块

import numpy as np #导入numpy并设置别名

numpy常用函数

shape和ndim

科学计数法

1e-6 = 1乘10的负6次方

reshape

reshape（）函数用于在不更改数据的情况下为数组赋予新形状

>>> c=np.array([[2,3,4],[5,6,7]])
>>> c
array([[2, 3, 4],
       [5, 6, 7]])
       
>>> c=c.reshape(3,2)
>>> c
array([[2, 3],
       [4, 5],
       [6, 7]])

np.argmax

import numpy as np
a = np.arange(6).reshape(2,3)
print('a数组：\n{}'.format(a))
print('a数组中最大值的索引：{}'.format(np.argmax(a)))
print('a数组沿列方向最大值的索引：{}'.format(np.argmax(a, axis=0)))
print('a数组沿行方向最大值的索引：{}'.format(np.argmax(a, axis=1)))
b = np.arange(6)
b[1] = 5
print('b数组：\n{}'.format(b))
print('b数组最大值的索引：{}'.format(np.argmax(b)))  # 仅仅返回5第一次出现的位置

a数组：
[[0 1 2]
[3 4 5]]
a数组中最大值的索引：5
a数组沿列方向最大值的索引：[1 1 1]
a数组沿行方向最大值的索引：[2 2]
b数组：
[0 5 2 3 4 5]
b数组最大值的索引：1

np.sum

• 不传参数是对所有元素求和
  传axis(看懂了一点，以后要用的时候再看看)
  传送門

range

生成连续序列

for i in range(start,end): #start 到 end-1间隔为1 的序列

生成不连续序列

for i in range(start,end，interval): #start 到 end-1间隔为interval 的序列

matplotlib.pylab

导入

import matplotlib.pylab as plt

xlabel ylabel

• x轴,y轴的介绍

plt.xlabel("x")
plt.ylabel("f(x)")

plot

linestyle:

plt.plot(x,y,linestyle='--')

plt.legend

plt.show

• 用来显示图标

print

print 格式化输出

name = 'Alice'
age = 25
print("My name is %s and I am %d years old." % (name,age))

格式化浮点数

打印格式化浮点数

print('%10.3f' % 3.1415926) 

字典

定义

• 和C++的map差不多，都是保存键值对

初始化

• 空字典

network = {}

• 赋值

#法一
network = {'W1':np.array([[0.1,0.3,0.5],[0.2,0.4,0.6] ]) }
#法二
network['W1'] = np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]])

torch

矩阵乘法

"""
1.a*b 按位相乘
2.torch.matmul(a,b) == a @ b,支持broadcast
	- 2.1.torch.dot(),1d,点积，不支持broadcast
	- 2.2.torch.mm(),2d,不支持broadcast
	- 2.3.torch.bmm(),3d,不支持broadcast
"""

a*b 按位相乘

torch.dot(),一维,向量内积

torch.mm 二维矩阵乘法 (n,s) *(s,t) -> (n,t)

torch.matmul 高维矩阵乘法，具有广播机制（torch.mm的进阶版）

详细教程

torch.bmm 三维矩阵乘法 (b,n,s) *(b,s,t) -> (b,n,t)

看标题就已经懂了

torch.utils

torch.utils.data.Dataset

• 传入DataLoader需要是这个类
• 可以自定义类继承Dataset类，也可以用torch.utils.data.TensorDataset转换

torch.utils.data.DataLoader

DataLoader(TensorDataset对象,batch_size每批大小,shuffle是否打乱顺序，num_workers加载线程数)

torch.nn

Layer们

torch.nn.Linear 线性层/全连接层

y = xw + b   # 输入x [num_samples, in_features]
						# 训练网络w [in_features, out_features]
						# 训练偏置 b[num_samples, out_features]

torch.nn.Sequential

• 按照特定的顺序排列一系列的网络层

import torch.nn as nn
model = nn.Sequential(
		nn.Linear(in_features=10, out_features=20),  #第一个全连接层
		nn.ReLU(), 	#激活函数
		nn.Linear(in_features=20, out_features=1)	#第二个全连接层，输入特征为20,输出特征为1
)

torchvision

torchvision.datasets

• 下载数据示例：fashion-mnist

import torchvision
from torchvision import transforms

trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="../data",train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="../data",train=False, transform=trans, download=True)

len(mnist_train), len(mnist_test)	#60000, 10000
mnist_train[0][0].shape			#[1,28,28]