1.python 中的collections.OrderedDict()
python中的字典对象可以以“键:值”的方式存取数据。OrderedDict是它的一个子类,实现了对字典对象中元素的排序。
注意,OrderedDict的 Key 会按照插入的顺序排列,不是Key本身排序:
import collections
print 'Regular dictionary:'
d1={}
d1['a']='A'
d1['b']='B'
d1['c']='C'
d2={}
d2['c']='C'
d2['a']='A'
d2['b']='B'
print d1==d2 #Ture
print '\nOrderedDict:'
d1=collections.OrderedDict()
d1['a']='A'
d1['b']='B'
d1['c']='C'
d2=collections.OrderedDict()
d2['c']='C'
d2['a']='A'
d2['b']='B'
print d1==d2 #False
2.torch.autograd.grad
torch.autograd.grad(
outputs, # 计算图的数据结果张量--它就是需要进行求导的函数
inputs, # 需要对计算图求导的张量--它是进行求导的变量
grad_outputs=None, # 如果outputs不是标量,需要使用此参数
retain_graph=None, # 保留计算图
create_graph=None, # 创建计算图
)
3.python程序运行
在命令行工具或者终端(Terminal)中运行源文件。
进入命令行工具或者终端(Terminal),切换到 demo.txt 所在的目录,然后输入下面的命令就可以运行源文件:
python demo.py
Python中“if name==‘main’:”理解与总结
而直接运行python文件
1: python 后面直接跟文件名,这个时候把python程序当做脚本来运行。无论是在cmd当中执行“”python file.py“”这样的命令,还是IDE当中点击run运行都是这样运行的。这个时候内置__name__属性是__main__。
2:以import导入,这个时候把python程序当做是模块来导入。
4.argparse.ArgumentParser()
add_argument() 方法
ArgumentParser.add_argument(name or flags...[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])
name or flags - 一个命名或者一个选项字符串的列表,例如 foo 或 -f, –foo。
action - 当参数在命令行中出现时使用的动作基本类型。
nargs - 命令行参数应当消耗的数目。
const - 被一些 action 和 nargs 选择所需求的常数。
default - 当参数未在命令行中出现时使用的值。
type - 命令行参数应当被转换成的类型。
choices - 可用的参数的容器。
required - 此命令行选项是否可省略 (仅选项可用)。
help - 一个此选项作用的简单描述。
metavar - 在使用方法消息中使用的参数值示例。
dest - 被添加到 parse_args() 所返回对象上的属性名。
例子:
import argparse
parser = argparse.ArgumentParser()#创建解析器
#添加参数
parser.add_argument('--dataset_dir', default='/Datasets/miniImageNet--ravi', help='/miniImageNet')
parser.add_argument('--data_name', default='miniImageNet', help='miniImageNet|StanfordDog|StanfordCar|CubBird')
parser.add_argument('--mode', default='test', help='train|val|test')
parser.add_argument('--outf', default='./results/DN4')
parser.add_argument('--resume', default=model_trained, type=str, help='path to the lastest checkpoint (default: none)')
parser.add_argument('--basemodel', default='Conv64F', help='Conv64F|ResNet256F')
parser.add_argument('--workers', type=int, default=8)
parser.add_argument('--print_freq', '-p', default=100, type=int, metavar='N', help='print frequency (default: 100)')
使用:
命令行中:
python DN4_Train_5way1shot.py --dataset_dir ./datasets/miniImageNet --data_name miniImageNet
5.集合
>>> filelists = {'base':{},'val':{},'novel':{} }
>>> filelists
{'base': {}, 'val': {}, 'novel': {}}
>>> filelists[base]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
NameError: name 'base' is not defined
>>> filelists['base']
{}
>>> filelists['base']='data'
>>> filelists['base']
'data'
>>> filelists['base']='data','aa'
>>> filelists['base']
('data', 'aa')
>>> filelists['base']={'data','aa'}
>>> filelists['base']
{'aa', 'data'}
>>> filelists['base']={'data':'data','aa':'aaa'}
>>> filelists['base']
{'data': 'data', 'aa': 'aaa'}
>>> filelists['base'][aa]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
NameError: name 'aa' is not defined
>>> filelists['base']['aa']
'aaa'
>>>
集合无重复,
元组可有重复
['a', 'b', 'c', 'd', 'e']
>>> t=('a','b','ab','a','ab')
>>> t
('a', 'b', 'ab', 'a', 'ab')
>>> s={'a','b','a','b'}
>>> s
{'a', 'b'}