python（杂）不定时更新

最新推荐文章于 2023-02-14 23:12:19 发布

置顶我比青菜高

最新推荐文章于 2023-02-14 23:12:19 发布

阅读量186

点赞数

分类专栏： python pytorch

本文链接：https://blog.csdn.net/weixin_43897173/article/details/107114088

版权

python 同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

pytorch

2 篇文章 0 订阅

订阅专栏

记录遇到的一些问题以及知识点。。菜鸟一只，有问题欢迎批评指正。

一

cuda上面的变量类型只能是tensor，不能是其他的类型。、
将cuda上的tensor转换为numpy:

>>>A.cpu().detach().numpy()  #转换为cpu模式，截断梯度反向传播，转numpy

二、ndarray

numpy: 可采用ones/ zeros/ eye/ diag/ random.randint等创建矩阵
对于ndarray求和如：

>>>a = np.random.randint(0,30,(2,3))
>>> a
array([[22, 11,  1],
       [ 8, 21, 27]])
>>> l = []
>>> l.append(a)
>>> l
[array([[22, 11,  1],
       [ 8, 21, 27]])]
>>> b = np.random.randint(0,30,(2,3))
>>> b
array([[16,  5, 16],
       [18,  7, 25]])
>>> l.append(b)
>>> c = np.random.randint(0,30,(2,3))
>>> l.append(c)
>>> l
[array([[22, 11,  1],
       [ 8, 21, 27]]), array([[16,  5, 16],
       [18,  7, 25]]), array([[17, 15,  0],
       [24, 29, 20]])]
>>> sum(l)
array([[55, 31, 17],
       [50, 57, 72]])
>>> sum(l)/6
array([[ 9.16666667,  5.16666667,  2.83333333],
       [ 8.33333333,  9.5       , 12.        ]])

查看array中是否有nan(Not A Number，任何与nan相关的计算都返回nan)

查看是否为nan值：True为nan

>>> np.isnan(array)

判断array中有无nan值：np.isnan(array).any()。
1> .any()：如果所有元素均为空、0、false，则返回False，否则为True。(有一个真"True"，则真"True"；所有元素均假"False",才假"False"）

>>> np.array([0,1,2,3]).any()                                                                                             
True
>>> np.array([6,1,2,3]).any()                                                                                             
True
>>> np.array([0,0,0,0]).any()                                                                                             
False

2> .all()：可判断array中有无为False的元素（0、空、None、False均为False），如果有，则为False，否则为True.（所有均真"True"，才真"True"；有一个元素假"False",则假"False"）

>>> np.array([6,1,2,3]).all()                                                                                             
True
>>> np.array([0,1,2,3]).all()                                                                                             
False
>>> np.array([0,0,0,0]).all()                                                                                             
False

np.repeat，np.tile()复制
array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。即当源array被改变，由array得到的矩阵不会改变（两者所占内存不同)，而ndarray得到的矩阵会发生改变。
行连续指数组中同一行相邻元素在内存中的位置也是相邻的（内存地址实际为一维）。Numpy中，随机初始化的数组默认都是C连续的，经过不规则的slice操作，则会改变连续性，可能会变成既不是C连续，也不是Fortran连续的。
Numpy可以通过.flags熟悉查看一个数组是C连续还是Fortran连续的。
若数组不连续，可利用copy()创建一个连续的副本
将numpy扩展维数：

>>>A = np.array([1,2,3])
>>>A[:,None]
array([[1],[2],[3]])  #不改变A本身维度
>>>#np.hstack([A[:, None]])
#array([[1],[2],[3]])

三、tensor

>>>torch.mm(A,B)    #矩阵A,B相乘（只用于二维）高维应用torch.matmul()
>>>torch.mul(A,B)   #矩阵A,B对应位相乘，矩阵维度不同时会自动填充
>>>torch.randn(2,3) #生成2X3的正态分布的的tensor
>>>torch.mean()     #求均值，可指定维度
>>>torch.pow(A,n)   #对A中各元素求n次幂
>>>torch.add(A,n)   #A中各元素值均加n；torch.add(A,n,b)A中各元素加n*b
>>>torch.div(A,B)   #或torch.div(A,n)前者为两张量对应位相除，后者为A逐位除标量n
>>>torch.exp(a)     #指数

>>> a
tensor([[ 9, 24, 10, 17],
        [27, 27, 22, 19]])
>>> a.select(0, 0)
tensor([ 9, 24, 10, 17])
>>> a.select(0, 1)
tensor([27, 27, 22, 19])
>>> a.select(1, 0)
tensor([ 9, 27])
>>> a.narrow(1, 1, 1)
tensor([[24],
        [27]])
>>> a.narrow(1, 0, 1)
tensor([[ 9],
        [27]])
>>> a.narrow(1, 0, 0)
tensor([], size=(2, 0), dtype=torch.int64)
>>> a.narrow(0, 1, 0)
tensor([], size=(0, 4), dtype=torch.int64)
>>> a.narrow(0, 1, 3)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
RuntimeError: start (1) + length (3) exceeds dimension size (2).
>>> a.narrow(0, 0, 1)
tensor([[ 9, 24, 10, 17]])

四、nan

可以利用nan != nan的性质来查找nan.

>>> np.nan != np.nan                                                                                                                     
True
>>> (W != W).sum() #不为0则nan值存在