CV代码细节总结(一)

提示：CV代码细节总结一

---

前言

看代码的总结

一、Python：skimage、PIL、openCV读取的默认格式和通道顺序？

示例：

（1）skimage.io.imread

H×W×C，RGB，数据类型 numpy.ndarray

（2）PIL.Image.open

H×W×C，RGB，数据类型 PIL.JpegImagePlugin.JpegImageFile

通过 numpy.asarray(image_pil) 可转成 numpy.ndarray

（3）cv2.imread

H×W×C，BGR，数据类型 numpy.ndarray

通过 cv2.cvtColor(image_cv2, cv2.COLOR_BGR2RGB) 可转成 RGB

二、Python PIL.Image获取图像像素时, 图像的原点及x,y的方向？

代码如下（示例）：

• 是以图像左上角为原点

• x方向为从左往右

• y方向为从上往下

  |————————> x

  |

  |

  V

  y

三、np.linalg.norm（）用法？

求范数方法：

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

① x: 表示矩阵（也可以是一维）

② ord：范数类型

默认二范数： $\sqrt{(x^2)+(y^2)}$

# Numpy.sqrt() 函数计算给定数组中每个元素的平方根。
# numpy.square() 平方

四、arctan是什么意思？

arctan 就是反正切的意思，例如：tan45度=1，则 
arttan1=45度，就是求“逆”的运算，就好比乘法的“逆”运算是除法一样。 
类似的还有arcsin就是反正弦 
sin30度=1/2，则arcsin1/2=30度 
此外，还有arccos 和arccot 等等…… 

五、什么是切片操作？

在Python中，切片(slice)是对序列型对象(如list, string, tuple)的一种高级索引方法。普通索引只取出序列中一个下标对应的元素，而切片取出序列中一个范围对应的元素，这里的范围不是狭义上的连续片段。下面的代码初步展示了切片索引的力量。

>>> a = list(range(10))
 >>> a
 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
 >>> a[:5]
 [0, 1, 2, 3, 4]
 >>> a[5:]
 [5, 6, 7, 8, 9]
 >>> a[2:8] # 左包含 右不包含
 [2, 3, 4, 5, 6, 7]
 >>> a[::2]
 [0, 2, 4, 6, 8]
 >>> a[::-1]
 [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

六、torch.cat()函数？

** cat()**

函数目的： 在给定维度上对输入的张量序列seq 进行连接操作。

outputs = torch.cat(inputs, dim=0) → Tensor

参数

• inputs : 待连接的张量序列，可以是任意相同Tensor类型的python 序列

• dim : 选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序列。

重点

1. 输入数据必须是序列，序列中数据是任意相同的shape的同类型tensor

2. 维度不可以超过输入数据的任一个张量的维度

import torch
# x1
x1 = torch.tensor([[11,21,31],[21,31,41]],dtype=torch.int)
x1.shape # torch.Size([2, 3])
# x2
x2 = torch.tensor([[12,22,32],[22,32,42]],dtype=torch.int)
x2.shape  # torch.Size([2, 3])

'inputs为２个形状为[2 , 3]的矩阵 '
inputs = [x1, x2]
print(inputs)
print('*' * 30)
print(len(inputs))
'''
[tensor([[11, 21, 31],
        [21, 31, 41]], dtype=torch.int32), tensor([[12, 22, 32],
        [22, 32, 42]], dtype=torch.int32)]
******************************
2
'''
torch.cat(inputs, dim=0).shape # torch.Size([4, 3])
torch.cat(inputs, dim=1).shape # torch.Size([2, 6])

七、 torch.unsqueeze 详解？

torch.unsqueeze(input, dim, out=None)

• 作用：扩展维度

返回一个新的张量，对输入的既定位置插入维度 1

• 注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。

如果dim为负，则将会被转化dim+input.dim()+1

• 参数:
• tensor (Tensor) – 输入张量
• dim (int) – 插入维度的索引
• out (Tensor, optional) – 结果张量

八、torch.sign

torch.sign(input, out=None)
说明：符号函数，返回一个新张量，包含输入input张量每个元素的正负（大于0的元素对应1，小于0的元素对应-1，0还是0）

参数：

• input(Tensor) – 输入张量
• out(Tensor,可选) – 输出张量

a = torch.randn(4)
a
tensor([ 0.7734,  0.5677, -0.3896,  1.9878])
torch.sign(a)
tensor([ 1.,  1., -1.,  1.])

九、模型可视化之 pytorch-summary

• 安装 pip install torchsummary

from torchsummary import summary

summary(your_model, input_size=(channels, H, W))