Pytorch学习笔记--Pytorch常用函数总结1
目录
1-torch.randn()函数
2-set()函数和sorted()函数
3-DataLoader()函数和Dataset类
4-.t()函数
5-最大池化(max_pool2d)和平均池化(avg_pool2d)函数
1-torch.randn()函数
import torch
batch_size = 1
seq_len = 3
input_size = 4
inputs = torch.randn(seq_len, batch_size, input_size) torch.randn()函数的作用是生成一组均值为0，方差为1(即标准正态分布)的随机数。示例如下：
import torch
print(torch.randn(3, 2, 3, 3))
torch.randn(seq_len, batch_size, input_size)：第一个参数seq_len表示序列长度，示例中序列长度为3；第二个参数batch_size表示批大小，示例中批大小为2；第三个参数input_size为输入向量的维度，示例中为(3, 3）。（在RNN中可理解成：示例中，共有3个序列，每个序列分为2批，每批的维度为3*3。）
#####################################
#####################################
2-set()函数和sorted()函数
self.country_list = list(sorted(set(self.countries))) # set()去重，删除重复的数据； sorted()排序set()函数用于删除重复的数据元素；sorted()用于元素的排序，示例如下：
a = ['china', 'china', 'japan']
print(list(set(a)))
print(list(sorted(set(a))))
由于‘c’ < 'j'，所以‘china’排在‘japan’前面。
#####################################
#####################################
3-DataLoader()函数和Dataset类
from torchvision import datasets
from torch.utils.data import DataLoader, Dataset
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(), #将shape为(H, W, C)的img转为shape为(C, H, W)的tensor,将每一个数值归一化到[0,1]
transforms.Normalize((0.1307, ), (0.3081, )) #按通道进行数据标准化
])
train_dataset = datasets.MNIST(root = '../dataset/mnist/', train = True, download = True, transform = transform)
train_loader = DataLoader(train_dataset, shuffle = True, batch_size = batch_size)
test_dataset = datasets.MNIST(root = '../dataset/mnist/', train = False, download = True, transform = transform)
test_loader = DataLoader(test_dataset, shuffle = False, batch_size = batch_size)DataLoader()函数导入的数据集为Dataset类型，shuffle表示是否打乱数据集。
#####################################
#####################################
4-.t()函数
.t()函数的作用是将Tensor转置，示例如下：
import torch
input = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(input)
print(input.t())
#####################################
#####################################
5-最大池化(max_pool2d)和平均池化(avg_pool2d)函数
import torch
import torch.nn.functional as F
input = torch.tensor([[[1, 2, 3, 1], [4, 5, 6, 1], [7, 8, 9, 1]]]).unsqueeze(0).float() # unsqueeze(0)在第0个维度前增加一个维度
print(input.size())
output = F.max_pool2d(input, kernel_size = (1, 4))
print(output)
max_pool2d()：最大池化操作。根据设定的核大小，选取最大的元素值。示例中，核大小是(1,4），可理解为挑选出每行最大的元素值。
需要说明的是：unsqueeze(0)的作用是在第0维度前扩展一个维度，所以input的size为(1, 1, 3, 4)。
###
import torch
import torch.nn.functional as F
input = torch.randn(1, 1, 4, 4)
print(input.size())
print(input)
output = F.avg_pool2d(input, kernel_size = (2, 2))
print(output)
avg_pool2d()：平均池化操作。根据设定的核大小，计算得到核内元素的平均值。
池化的作用：降维；抑制噪声，降低信息冗余；提升模型的尺度不变性、旋转不变形；降低模型计算量；防止过拟合。