Python（numpy、torch）中 函数简单解释

usage：Ctrl + F 搜索想找的函数

1、python使用函数作为参数

 

2、Python中的size、shape、len和count

 

3、

torch.randn(2, 3) ：randn产生随机（按照标准正太分布）数；为2行3列的tensor。

torch.rand(2,3)：rand产生0~1均匀分布的随机数（输入是shape）。

np.random.rand(a,b,c,...)：效果和torch.rand类似，有多少输入量，就是产生多少维随机数

np.random.randn(a,b,c,...)：效果同torch.randn

np.random.seed(m)：怎么理解np.random.seed()?

a.type()： 指出a的数据类型；返回的是string

type（a）：同上（用的少）

isinstance（a, torch.FloatTensor)：参数检验（合法化检验）

 

4、data.cuda()：返回一个gpu上的引用

 

5、注意：torch.tensor中，需要用b.size（），功能和b.shape同；

      而numpy中用a.size，且功能和a.shape不同--->torch中是函数，numpy中是属性

注：下图中，b为torch中张量；a为numpy中张量

b.dim():显示torch张量维度

 

6、torch中的张量：

torch.tensor()生成指定标量（接受真实数据内容）；

torch.FloatTensor()生成随机数（接受数据的shape）；

torch.FloatTensor()、torch.Tensor()(注意是大写的Tensor)接受 ‘[ ]’形式时，和torch.tensor()同，为避免混淆，这种用法少用

 

注意：np中np.ones()用法和torch.FloatTensor()同，不过shape要以向量形式( []、()形式)输入（一维除外）；输出全为1

           np.zeros()用法同

torch.ones()输入也是shape，但格式更随意

 

7、torch中size和shape的索引：size(1)、shape[1]

 

8、list（）：可将torch.Size类型转换为list

 

9、a.numel()：类似numpy中的size，返回所含元素个数（number of element）

 

10、a.reshape()：numpy函数，接受一个  新的shape形式，如（2,3），表示生成矩阵shape为2维，第一维2元素，第二位3元素；新的shape 可以且最多只可指定一个维度为-1（-1的维度可以自动计算元素个数）

 

11、yield关键字：(后补充)Python yield 使用浅析

 

12、range（a, b[, c]）：a，b，c全为int类型（20190806官网），返回range类型（相当于迭代器，注意返回的不是列表list），取 [a, b)中整数 ，步长（每次取数间隔）为c；

若给定 一个参数，则输入是b；两个参数，则输入代表a、b；

a、c可无，无a时（只有一个变量b时），a默认为0，无c时，默认是1（注意是正数1）

 

利用range的迭代器属性，根据条件快速生成满足条件的列表

 

np.arange(a, b, c)：numpy.ndarray类型；c步长可以为小数；Python 基础——range() 与 np.arange()

 

13、set（a）：接受一个迭代器对象a，返回一个删除a中重复元素的set

set(a).intersection(b)：看a和b是否有交集（下图list将结果列表化）

 

14、numpy.random.shuffle(x)：将x 随机打乱顺序，无返回值；详见下链接

numpy.random.shuffle()与numpy.random.permutation()的区别

 

15、python中数组（numpy.array）的基本操作

 

16、需要先  import os    ；os.path.join(a, b, c, ...)，其中a、b、c是字符串，详见os.path.join()

 

17、time.time();  返回当前时间的时间戳（1970纪元后经过的浮点秒数）。

   time.localtime(time.time());    【注意】下图例子是python 2.x版本，python 3中print需要写成print(....)

 

18、assert：断言，用于指明需要的条件，如不满足，可以有字符提示

python assert的作用

 

19、dict()：创建字典   创建字典的 5 种方式

 

20、np.dot(w.t, X)：“.t”是转置操作；“dot”是矩阵乘法

 

21、np.sum(a[, axis = m])：对a的第m维求和（-1对应最后一维，-2对应倒数第二维）

【注】list类型可以执行np.array类型相同的操作（函数操作20、 21均可）

python numpy函数的使用

import numpy as np
a = [[[1, 2, 3,], [4, 5, 6]], [[1.1, 2.1, 3.1], [4.1, 5.1, 6.1]]]
print( np.sum(a, axis=-1) )
print( np.sum(a, axis=0) )
print( np.sum(a, axis=1) )
print( np.sum(a, axis=2) )
 
 
## output
#axis = -1  ## channel
[[ 6.  15. ]
 [ 6.3 15.3]]
 
# axis = 0  ## height
[[ 2.1  4.1  6.1]
 [ 8.1 10.1 12.1]]
 
# axis = 1   ## width
[[5.  7.  9. ]
 [5.2 7.2 9.2]]
 
# axis = 2  ## channel
[[ 6.  15. ]
 [ 6.3 15.3]]

22、np.concatenate((a, b) [, axis = m] ) :在第m为连接a、b；m可为负数（同21）；默认为第一个维度（0维）

【】连接哪个维度，那个维度的元素个数就变化

23、python中的切片：

由上可以看出，只需要按照 “[ ]” 的取值范围从左往右依次读就可以了，[ : ]就是取全部，[m]就是读取上一部分取值后的第m（从0开始）个元素。

【add】a[ ][ ]与a[ , ]的区别如下，

a[ , ]是在原数组上进行取值，不可超出维度；

a[ ][ ]本质上是先计算a[ ]（设其值为b），在其基础上再计算[ ](即计算b[ ])

import numpy as np

a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("a的shape：", a.shape)    # (2, 2, 2)

b = a[:, :, :]

"""
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]
"""
print(b)    

b = a[:, :, :, :]
print(b)    # IndexError: too many indices for array

c = a[:][:][:]
"""
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]
"""
print(c)

"""
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]
"""
c = a[:][:][:][:]

24、numpy.squeeze(a,axis = None)：删除a中个数为1的维度，如（1,3,3,1,2）--->(3,3,2)；多用于画图前使用

numpy的squeeze函数

25、

plt.imread(fname)：根据图片路径（图片名），得到 <class 'numpy.ndarray'> 类型数组

plt.imshow(a)：根据数组类型，展示图片