1.python中开辟数组:
dataset = [None]*3
dataset[0] = 1
dataset[1] = 2
print(dataset)
print(len(dataset))
dataset = [None]*3 #开辟一个长度为3的空数组
2.enumerate函数的用法
enumerate() 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,
3.np.empty()函数用法:
创建一个以为或者多维数组。
np.empty(shape(,dtype,oreder))
4.isinstance()
判断数据是否是一个已知的数据类型。
isinstance(a,int) #判断a是否是int类型,返回值为True ,Flase
5.nn.Squential介绍:
Sequential似乎是一个容器,可以作为一个容器包装几个层。
Squential三个用法
(1)最简单的序贯模型
import torch.nn as nn
model = nn.Sequential(
nn.Conv2d(1,20,5),
nn.ReLU(),
nn.Conv2d(20,64,5),
nn.ReLU()
)
print(model)
print(model[2]) # 通过索引获取第几个层
'''运行结果为:
Sequential(
(0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
(1): ReLU()
(2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
(3): ReLU()
)
Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
'''
这样做的问题是每一个层是没有名称,默认的是0,1,2,3来命名的。
(2)给每一个层添加一个名称
import torch.nn as nn
from collections import OrderedDict
model = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(1,20,5)),
('relu1', nn.ReLU()),
('conv2', nn.Conv2d(20,64,5)),
('relu2', nn.ReLU())
]))
print(model)
print(model[2]) # 通过索引获取第几个层
'''运行结果为:
Sequential(
(conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
(relu1): ReLU()
(conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
(relu2): ReLU()
)
Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
'''
从结果可以看出,此时每一层都有了自己的名称,但是并不能通过名称直接获取层,只能通过索引index。
model[2] 是正确的
model["conv2"] 是错误的
这其实是由它的定义实现的,看上面的Sequenrial定义可知,只支持index访问。
(3)
import torch.nn as nn
from collections import OrderedDict
model = nn.Sequential()
model.add_module("conv1",nn.Conv2d(1,20,5))
model.add_module('relu1', nn.ReLU())
model.add_module('conv2', nn.Conv2d(20,64,5))
model.add_module('relu2', nn.ReLU())
print(model)
print(model[2]) # 通过索引获取第几个层
5.nn.ReLU()激活函数
nn.ReLU(inplace=True) #inplace=True将会改变输入的数据,否则只会改变原输入,只会产生新的输出。
6.nn.Squential()与nn.ModuleList()区别
https://zhuanlan.zhihu.com/p/75206669
(1)nn.ModuleList中的层无联系,其联系是通过forward函数来确定的。而Squential中的模块,是有顺序的,则后一层的输入必须是前一层的输出。
(2)nn.Squential()内部实现了forward函数,而nn.ModuleList()内部没有实现forword函数
7.x.view(x.size(0),-1)#将多维的Tensor展平成一维。
其实,左边规定行数,右边规定列数。
import torch
a = torch.arange(1,17)#一维张量,16个数
print(a)
print(a.size())
a = a.view(1,a.size(0))#一行,16列,如果是a = a.view(a.size(0),-1)就是16行一列
print(a)
print(a.size())
'''
tensor([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
torch.Size([16])
tensor([[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]])
torch.Size([1, 16])
'''
x.size(0)#x的大小 与x.size()的区别
import torch
a = torch.arange(1,17)
print(a)
print(a.size(0))
print(a.size())
'''
tensor([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
16
torch.Size([16])
'''
博客上说的很详细。https://nickhuang1996.blog.csdn.net/article/details/86569501
注意:调用view前最好先用contiguous,x.contiguous().view()因为view需要tensor的内存是整块的。
8.pytorch的contiguous的使用
https://zhuanlan.zhihu.com/p/64376950
返回一个内存连续的有相同数据的tensor,如果原tensor内存连续,则返回原tensor
contiguous 一般与transpose,permute,view搭配使用;使用transpose或permute进行维度变化后,调用contiguous,然后方可使用view对维度进行变形。
x = torch.Tensor(2,3)
y = x.permute(1,0) # permute:二维tensor的维度变换,此处功能相当于转置transpose
y.view(-1) # 报错,view使用前需调用contiguous()函数
y = x.permute(1,0).contiguous()
y.view(-1) # OK
9.pytorch中named_children()和named_modules()的区别
https://blog.csdn.net/watermelon1123/article/details/98036360
(1)从定义上讲:
named_children()
返回包含子模块的迭代器,同时产生模块的名称以及模块本身。
named_modules()
返回网络中所有模块的迭代器,同时产生模块的名称以及模块本身。
for name, module in self.layers.named_children():#获取layers的子模型,两个变量,一个获取层的模型的名字,一个获取模型。
if name == in_layer:
run = True
if run:
x = module(x)#分别执行每一层的模型。
if name == 'conv3':#前三层为卷积,后面为全连接,因为要对张量进行维度的转换,所以执行完第三次的卷积以后,要对张量进行维度的转换。
x = x.contiguous().view(x.size(0), -1)
if name == out_layer:#执行完最后一层后,要返回模型。
return x
10。softmax()
pos_loss = -F.log_softmax(pos_score, dim=1)[:, 1]#相比softmax多了一个log操作。dim=1对行做softmax操作,dim = 0,对列做softmax操作
neg_loss = -F.log_softmax(neg_score, dim=1)[:, 0]
11.torch.cat()
torch.cat是将两个张量(tensor)拼接在一起,
torch.cat((A,B),0)#0是按照拼接,1是按照列拼接。