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
plt.imshow(a)：根据数组类型，展示图片