Torch 常用

 #view

import torch
x = torch.tensor([1, 2, 3, 4])
y = x.view(2, 2)
# y 的形状将是 torch.Size([2, 2])

# permute

x = torch.randn(2, 3)
y = x.permute(1, 0)
# y 的形状将是 torch.Size([3, 2])

#matmul 

A = torch.tensor([[1, 2], [3, 4]])
B = torch.tensor([[5, 6], [7, 8]])
C = torch.matmul(A, B)
# C 将是 torch.tensor([[19, 22], [43, 50]])

#__call__

在 Python 类中，__call__ 方法是一个特殊的方法，它允许一个类的实例表现得像一个函数一样，可以被调用。当你在一个对象上使用圆括号 () 时，__call__ 方法被触发。

在 PyTorch 中，__call__ 方法通常用于自定义损失函数（criterion）或模型。对于损失函数，__call__ 方法定义了如何根据模型的预测（predictions）和真实标签（targets）计算损失值。

1. 计算损失: 根据传入的模型预测 preds 和批次数据 batch，计算分类（cls）、边界框（box）和分布场（dfl）的损失。

2. 损失组合: 将不同的损失部分（box, cls, dfl）相加并乘以批次大小，得到总损失。

3. 返回值: 返回总损失和解耦的损失值，这允许在训练过程中同时优化多个损失组件。

具体步骤包括：

• 使用 preprocess 方法预处理目标数据。
• 通过 bbox_decode 方法解码预测的边界框。
• 使用自定义的分配器（self.assigner）分配真实标签和边界框到预测上。
• 计算分类损失和边界框损失。
• 将损失值乘以超参数（如 self.hyp.box, self.hyp.cls, self.hyp.dfl）以控制不同损失部分的贡献。
• 返回总损失和解耦的损失值。