qq_37803694的博客

原创 论文《Prototype-based Embedding Network for Scene Graph Generation》的组会分享

原创 一文了解L1正则化与L2正则化

其中，L(w)是加了L2正则化的损失函数，Loss(y, y_pred)是模型的原始损失函数（例如，均方误差或交叉熵），w是模型的权重向量，||w||^2是权重向量的L2范数的平方，λ是正则化参数，用于控制正则化的强度。其中，L(w)是加了L1正则化的损失函数，Loss(y, y_pred)是模型的原始损失函数（例如，均方误差或交叉熵），w是模型的权重向量，||w||1是权重向量的L1范数，λ是正则化参数，用于控制正则化的强度。正则化参数λ越大，正则化项在损失函数中的比重就越大，对权重的惩罚也就越大。

原创 torch.cat()函数

tips:按照行或者列拼接的时候，必须相互对应，不能大小不同。1.dim=0，代表从通道上拼接各个tensor。2.dim=1，代表从行上拼接各个tensor。2.dim=1，代表从列上拼接各个tensor。3.dim=2，代表从行上拼接各个tensor。1.dim=0，代表从列上拼接各个tensor。

原创 nn.Module与nn.functional

由于两者性能差异不大，所以具体使用取决于个人喜好。对于激活函数和池化层，由于没有可学习参数，一般使用nn.functional完成，其他的有学习参数的部分则使用类。但是Droupout由于在训练和测试时操作不同，所以建议使用nn.Module实现，它能够通过model.eval加以区分。

原创 torch.max()、torch.argmax()、torch.softmax()、torch.sum()联系与区别---个人简单总结

对于使用dim时，以二维tensor为基准：若是二维，则dim=0表示对每列进行处理，dim=1表示对每行进行处理；类比若是三维，dim=0表示channels，dim=1表示对每列进行处理，dim=2表示对每行进行处理；类比若是一维，则dim=0表示对这一维进行处理。由此可以看出：dim=?表示什么随着被处理的tensor的维度进行动态伸缩调整。

原创 torch.max()

(input) → TensorReturns the maximum value of all elements in the tensor.This function produces deterministic (sub)gradients unlike Parametersinput (Tensor) – the input tensor.Example:>>> a = torch.randn(1, 3)>>> atensor([[ 0.6763, 0.7

原创 torch.argmax()函数

参数： * input (Tensor) – 输入的Tensor矩阵。

原创 torch.sum()函数

keepdim:求和之后这个dim的元素个数为１，所以要被去掉，如果要保留这个维度，则应当keepdim=True。torch.sum()对输入的tensor数据的某一维度求和，一共两种用法。dim:要求和的维度，可以是一个列表。input:输入一个tensor。

转载 torch.softmax()

是三维tensor的推广，其实三维tensor也可以是batchsize=1的四维tensor，只是dim的索引需要加1.：先随机生成一个(2,2,5,4)矩阵。其实随着dim增加（从0到3），相当于一层层剥开。：先随机生成一个（2,5,4）的矩阵，即两个维度的（5,4）矩阵。)对应位置(相同BHW)求softmax。)对应位置(相同BCW)求Softmax。)对应元素(相同BCH)求softmax。对应位置(相同CHW)求softmax。继续向里剥，也是最后一次。这时向里剥，每小块(继续向里剥，每小块(

原创 Pytorch保存torch.save()和加载torch.load()模型参数

对应第一种保存方式，加载模型时通过torch.load('.pth')直接初始化新的神经网络对象；对应第二种保存方式，需要首先导入对应的网络，再通过net.load_state_dict(torch.load('.pth'))完成模型参数的加载。当我们花费大量的精力训练完网络，下次预测数据时不想再（有时也不必再）训练一次时，这时候torch.save(),torch.load()就要登场了。其中：net.state_dict()获取各层参数，path是文件存放路径(通常保存文件格式为.pt或.pth)

原创 python print(%)用法

round()函数只有一个参数，不指定位数的时候，返回一个整数，而且是最靠近的整数，类似于四舍五入，当指定取舍的小数点位数的时候，一般情况也是使用四舍五入的规则，但是碰到.5的情况时，如果要取舍的位数前的小数是奇数，则直接舍弃，如果是偶数则向上取舍。相对基本格式化输出采用‘%’的方法，format()功能更强大，该函数把字符串当成一个模板，通过传入的参数进行格式化，并且使用大括号‘{}’作为特殊字符代替‘%’%g ——在保证六位有效数字的前提下，使用小数方式，否则使用科学计数法。%.3f，保留3位小数位。

原创 tqdm进度条常用方法

Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。trange(i) 是 tqdm(range(i)) 的简单写法。tqdm(list)方法可以传入任意一种list,比如数组。在for循环外部初始化tqdm,可以打印其他信息。使用方法二: trange。使用pip就可以安装。使用方法一: tqdm。或者string的数组。使用方法三: 手动方法。

原创 torch.utils.data.DataLoader

torch.utils.data.DataLoader，此数据加载器结合了数据集和取样器、迭代器，__len__()，并且可以提供多个线程处理数据集。用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。作用：主要是对数据进行 batch 的划分，可以快速的迭代数据。用于生成迭代数据非常方便。

原创 python之with open as f文件操作

【代码】python之with open as f文件操作。

原创 torchvision.datasets.folder.ImageFolder函数

返回从所有文件夹中得到的图片的路径以及其类别，一个列表，列表中的每个元素都是一个（这里不是一个具体的函数去操作哦，而是imagefolder的成员变量。根据分的文件夹的名字来确定的类别，如['cat', 'dog']。') #这里是在dog和cat之上的dogcat_2文件夹。# cat文件夹的图片对应label 0，dog对应1。# 所有图片的路径和对应的label。给定路径后如何读取图片，默认读取为。应当按照指定的格式进行存储。按顺序为这些类别定义索引为。是一个通用的数据加载器，指定的路径下寻找图片。

转载 python输出到txt文件

print("指纹", n, "相似指纹是", nums_grade_using[index_count_u], file=file1)设置在with open模块的参数名（此处我设置的是file1）所以这样的效果就是输出的n也会被传入txt。上面这串代码就是实现输出到txt的方法。我这里是用的相对路径--单引号。这个就是输出到代码文件夹下的。用的时候只要把需要输出的语句。

转载 Python format()函数——学习笔记

format函数最常用的函数

原创 pytorch---view()函数

pytorch-view()函数

原创 torch.flatten()函数

torch.flatten()函数讲解-个人总结