深度学习pytorch常见编程技巧

一、画图、路径、csv、txt、导模块、类继承调用方法

写进日志log里面

    ma =0
    correct  = 1
    class_num=1
    open( str(ma) + ".log", "a+").write("Test " + str(correct / class_num) + "\n")

pytorch ,可视化1，输出每一层的名字，输出shape，参数量

pytorch ,可视化1，输出每一层的名字，输出shape，参数量
修改此源码为四维输入

获取当前文件夹路径

import os
path = os.path.dirname(__file__) + r"/"

python 获取当前目录 上一级目录 上上一级目录

python 获取当前目录 上一级目录 上上一级目录

写入xlsx或者csv等文件，如果没有文件夹，则自动创建文件夹

import pandas as pd
import  os
import openpyxl

#DataFrame 数据帧，相当于工作簿中的一个工作表
df = pd.DataFrame({
    'id':[1,2,3,4],
    'name':['张三','李四','王五','赵刘'],
    'arg': [10,20,30,40],
    'score':[99,88,77,66]
})
#自定义索引，否则pandas会使用默认索引，导致工作表也会存在这些索引
cf = df.set_index('id')
# print(cf)
#设置文件保存路径
data_path = "../text"
#没有，则创建
if  not os.path.exists(data_path):
	# os.mkdir(path) 创建目录第一个ly目录必须存在，第二个目录不存在则会创建第二个目录ly。
	# os.makedirs() 用于递归创建目录。只要目录路径下有不存在的目录，就会创建该目录，然后递归的创建文件目录。
    os.mkdir(data_path)
#设置文件名，以xlsx格式
data_name = os.path.join(data_path,'data.xlsx')
#把DataFrame的数据写入excel表
cf.to_excel(data_name)
# print("done")
#读
data = pd.read_excel('data.xlsx')

#查看所有的值
print(data.values)

保存文件到txt，读取txt文件数值

        f = open('adaboost_label.txt', 'w+')
        f.write("pre_label_sum:"+str(pre_label_sum)+"\n")
        f.write("val_label_sum:"+str(val_label_sum)+"\n")

	# txt里面是我保存的两行list
    # 读取txt，头文件为空，以：分割
    df_test =pd.read_table("test_adaboost_label.txt",header=None,sep=":")
    print(df_test)
    # 读取loc[0]表示第一行，values表示取值,[1:]表示切片，eval表示将str里面的值取出来
    pre_label_sum_test = eval(df_test.loc[0].values[1:][0])
    val_label_sum_test = eval(df_test.loc[1].values[1:][0])
    print_auc(pre_label_sum_test,val_label_sum_test)

汇总fpr、tpr到excel

    roc = metrics.roc_auc_score(label, score)
    fpr, tpr, thresholds = metrics.roc_curve(label, score)
    result = (np.vstack((fpr, tpr))).T
    nauc = cal_auc_001(fpr, tpr)
    print('NAUC:', nauc)
    data=pd.DataFrame(result)
    writer=pd.ExcelWriter('all4type.xlsx')
    data.to_excel(writer,'page_3')
    writer.save()

    writer.close()

画多个loss曲线和auc并将数值保存到csv文件

    #作出训练过程中两个损失随epoch的变化曲线
    x = list(range(len(class_loss_history)))
    f, (ax1, ax2) = plt.subplots(2, 1)
    ax1.plot(x, feature_loss_history, linewidth=1.8, label='feature loss', color='red')
    ax1.legend(loc='upper right', prop={'family': 'Times New Roman', 'size': 10})  # 设置图例
    ax2.plot(x,class_loss_history, linewidth=1.8, label='classify loss', color='blue')
    # ax2.plot(x, val_loss_history, linewidth=1.8, label='valid classify loss', color='brown')
    ax2.legend(loc='upper right', prop={'family': 'Times New Roman', 'size': 10})  # 设置图例
    plt.suptitle('Loss change with different epoches')
    ax1.set_ylabel('Loss', font)
    ax2.set_xlabel('epoch', font)
    ax2.set_ylabel('Loss',font)
    plt.savefig('imag/'+type+'/'+str(type)+'_Loss'+add_part+'.png')
    plt.show()

    #作出训练过程中验证集上的AUC/NAUC随epoch的变化曲线
    fnew, (ax3, ax4) = plt.subplots(2, 1)
    ax3.plot(x, val_aucs, linewidth=1.8, label='AUC', color='green')
    ax3.legend(loc='lower right', prop={'family': 'Times New Roman', 'size': 10})  # 设置图例
    ax4.plot(x, val_naucs, linewidth=1.8, label='NAUC', color='black')
    ax4.legend(loc='lower right', prop={'family': 'Times New Roman', 'size': 10})  # 设置图例
    plt.suptitle('AUC/NAUC change with different epoches')
    ax3.set_ylabel('AUC', font)
    ax4.set_xlabel('epoch', font)
    ax4.set_ylabel('NAUC', font)
    plt.savefig('imag/'+type+'/' + str(type) + '_AUC&NAUC'+add_part+'.png')
    plt.show()
    # #模型测试
    auc,nauc = model_test(model,test_pos_data,test_neg_data,test_data['GT'])
    print(type+"_test AUC:",auc)
    print(type+"_test NAUC:",nauc)

    #将损失和AUC/NAUC变化保存到csv表格中
    dfa = pd.DataFrame()
    dfa['feature_loss'] = np.array(feature_loss_history)
    dfa['class_loss'] = np.array(class_loss_history)
    dfa.to_csv(
        "results-valid-test/results-toydata/" + type + "-target/siamese_model_res/two_loss/res-fpr-tpr/" + type + '-loss-' + add_part + '_'+ str(
            auc)[:7] + '.csv',
        index=False)

    dfb = pd.DataFrame()
    dfb['AUC'] = np.array(val_aucs)
    dfb['NAUC'] = np.array(val_naucs)
    dfb.to_csv(
        "results-valid-test/results-toydata/" + type + "-target/siamese_model_res/two_loss/res-fpr-tpr/" + type + '-auc-' + add_part +'_'+ str(
            auc)[:7] + '.csv',
        index=False)

将数据保存为.csv，将作图保存到指定文件夹

    import pandas as pd
    df = pd.DataFrame()
    df['fpr'] = fpr
    df['tpr'] = tpr
    df.to_csv(modelpath+'-fpr-tpr.csv', index=False)
    roc_auc = auc(fpr, tpr)
    auc_0001 = cal_auc_001(fpr, tpr)
    print(modelpath + "千分之1-auc:", auc_0001)

    plt.plot(fpr, tpr, lw=2, alpha=0.3, label='ROC fold %d (AUC = %0.2f)' % (1, roc_auc))
    plt.xlim(0, 0.001)
    plt.savefig("results-valid-test/results-"+modelpath+"/roc_new-" + str(0) + ".png")
    plt.close()

将数据写入txt文件

f = open('green.txt', 'a+')
f.write(str(epoch)+':'+str(auc_001)+"\n")

数据写入csv+画图

    import pandas as pd
    df = pd.DataFrame()
    df['fpr'] = fpr
    df['tpr'] = tpr
    df.to_csv(modelpath+'-fpr-tpr.csv', index=False)
    roc_auc = auc(fpr, tpr)
    auc_0001 = cal_auc_001(fpr, tpr)
    print(modelpath + "千分之1-auc:", auc_0001)

    plt.plot(fpr, tpr, lw=2, alpha=0.3, label='ROC fold %d (AUC = %0.2f)' % (1, roc_auc))
    plt.xlim(0, 0.001)
    plt.savefig("results-valid-test/results-"+modelpath+"/roc_new-" + str(0) + ".png")
    plt.close()

pytorch常见的坑解决办法

pytorch常见的坑

添加同一目录其他文件夹下的其他自己编写的模块

方法一：

import sys
sys.path.append(r".\public")
from load_data import loadmat

所有的主程序在fc mil下
想调用public下的load_data.py

方法二：

import os
import sys
path =os.path.dirname(os.path.dirname(__file__))+r"/public"
sys.path.append(path)
from pubilc.load_data import loadmat

导入同一文件夹下其他自己编写的模块

# 调用gulfport_fc_model下的FC_weights类
from gulfport_fc_model import FC_weights
# 调用gendata_gulfport_v2.py
import gendata_gulfport_v2 as new_gendata

类的继承与调用类下的def方法

model = FC_weights()
model.calculate_objective(data_pos, label_pos, 1, int_label)

调用同一目录下的数据集

datapath = './data/pea green/'

代码和data数据集都在fc mil文件夹中，我们调用fc mil文件夹下的data文件夹下的数据集

获取同一文件夹下的数据集+获取上一级文件夹下的数据集

获取同一文件夹下的数据集

  datapath = './data/pea green/'

这些东西同在fc mil文件夹下，数据集和.py文件

获取上一级文件夹下的数据集

.py（代码）文件在fc mil文件夹下，数据集在toydata文件夹下

datapath = '../toydata/015-tar-3-points-25/convex_subpixel_ptmean_05_SNR_30_sigma_50_Nb_2_Train_015.mat'

二、数据集重写、遍历、加载

自定义数据集

class customDataset(Dataset):
    """custom dataset"""

    def __init__(self, samples: List[Tuple]):
        self.samples = samples

    def __len__(self):
        return len(self.samples)

    def __getitem__(self, idx):
        return self.samples[idx]

"""
inout pipline for custom dataset
"""
from torch.utils.data.dataset import Dataset
class CustomDataset(Dataset):
    def __init__(self):
    	"""
    	一些初始化过程写在这里
    	"""
        # TODO
        # 1. Initialize file paths or a list of file names. 
        pass
    def __getitem__(self, index):
    	"""
    	返回数据和标签，可以这样显示调用：
    	img, label = MyCustomDataset.__getitem__(99)
    	"""
        # TODO
        # 1. Read one data from file (e.g. using numpy.fromfile, PIL.Image.open).
        # 2. Preprocess the data (e.g. torchvision.Transform).
        # 3. Return a data pair (e.g. image and label).
        pass
    def __len__(self):
    	"""
    	返回所有数据的数量
    	"""
        # You should change 9 to the total size of your dataset.
        return 9 # e.g. 9 is size of dataset

遍历三维数据

	# pos三维的，我们一层一层的遍历
    for idx in range(len(pos)):
    	# 取出二维数据
        pos_data = pos[idx]
        # 25示例取最大
        instances_label = []
        for data in pos_data:
            data = torch.FloatTensor(data)
            data = data.unsqueeze(1).float().to(device).view(1, 1, 1, 64)  # shape (batch_size, channel=1, bag_size, sig_dim 91)
            label = [1.0]
            label = torch.FloatTensor(label)
            #label = label.unsqueeze(1)
            label = label.to(device).view(-1, 1)  # shape (batch_size, 1)
            if usegpu:
                error, predicted_label, p_prob = model.module.calculate_classification_error(data, label)
            else:
                error, predicted_label, p_prob = model.calculate_classification_error(data, label)
            val_error += error
            instances_label.append(p_prob.cpu().item())
        pre_labels.append([max(instances_label)])
        val_label.append(1)

构建一次的train_loder（DataLoader函数）

    train_dataloader = DataLoader(
        train_dataset,
        batch_size=128,
        # shuffle=True,#有sampler就不能使用shuffle
        sampler=sampler,
        num_workers=2,
    )

方法如下：
接下来，我们来继承 Dataset类 ，写一个将数据处理成DataLoader的类。

当我们集成了一个 Dataset类之后，我们需要重写 len 方法，该方法提供了dataset的大小； getitem 方法， 该方法支持从 0 到 len(self)的索引

class DealDataset(Dataset):
    """
        下载数据、初始化数据，都可以在这里完成
    """
    def __init__(self):
        xy = np.loadtxt('../dataSet/diabetes.csv.gz', delimiter=',', dtype=np.float32) # 使用numpy读取数据
        self.x_data = torch.from_numpy(xy[:, 0:-1])
        self.y_data = torch.from_numpy(xy[:, [-1]])
        self.len = xy.shape[0]
    
    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len

# 实例化这个类，然后我们就得到了Dataset类型的数据，记下来就将这个类传给DataLoader，就可以了。    
dealDataset = DealDataset()

train_loader2 = DataLoader(dataset=dealDataset,
                          batch_size=32,
                          shuffle=True)


for epoch in range(2):
    for i, data in enumerate(train_loader2):
        # 将数据从 train_loader 中读出来,一次读取的样本数是32个
        inputs, labels = data

        # 将这些数据转换成Variable类型
        inputs, labels = Variable(inputs), Variable(labels)

        # 接下来就是跑模型的环节了，我们这里使用print来代替
        print("epoch：", epoch, "的第" , i, "个inputs", inputs.data.size(), "labels", labels.data.size())

dataloader获取数据集并进行循环遍历

val_dataloader = DataLoader(
        neg,
        batch_size=128,
        shuffle=False,
        num_workers=2,
    )
	# 每一个batch获取的是128的元素
    for i, batch in enumerate(val_dataloader):
        data = batch[0].unsqueeze(1).float().to(device)  # shape (batch_size, channel=1, bag_size, sig_dim 91)
        label = batch[1].float().to(device).view(-1, 1)  # shape (batch_size, 1)
        # mask = batch[2].float().transpose(1, 2).to(device)  # shape (batch_size, bag_size, 1)
        if usegpu==True:
            error, predicted_label, p_prob = model.module.calculate_classification_error(data, label)
        else:
            error, predicted_label, p_prob = model.calculate_classification_error(data, label)
        val_error += error
        tmp_label = p_prob.squeeze(2).cpu().data.numpy().tolist()
        pre_labels.extend(tmp_label)
        val_label.extend([0]*len(tmp_label))

子类继承父类方法数据处理，重写父类方法

class MyData(data_utils.Dataset):
    def __init__(self,dataA,dataB,label=None,labelA = None,labelB = None):
        self.dataA = dataA
        self.dataB = dataB
        self.label = label
        self.labelA = labelA
        self.labelB = labelB

    def __len__(self):
        return len(self.dataA)

    def __getitem__(self,idx):
        if self.label:
            tuple_ = (self.dataA[idx], self.dataB[idx], self.label[idx],self.labelA[idx],self.labelB[idx])
        else:
            tuple_ = (self.dataA[idx], self.dataB[idx])
        return tuple_

DataLoader技巧： 加载数据

# 构造collate_fn函数秀的一匹
def collate_fn(data):
    # data.sort(key=lambda x:len(x[0]),reverse=True)
    dataA = [sq[0] for sq in data]
    dataB = [sq[1] for sq in data]
    label = [sq[2] for sq in data]
    labelA = [sq[3] for sq in data]
    labelB = [sq[4] for sq in data]
    dataA_length = [len(sq) for sq in dataA]
    dataB_length = [len(sq) for sq in dataB]
    dataA = rnn_utils.pad_sequence(dataA,batch_first=True,padding_value=0)
    dataB = rnn_utils.pad_sequence(dataB,batch_first=True,padding_value=0)
    # label = rnn_utils.pad_sequence(label,batch_first=True,padding_value=0)
    return dataA.unsqueeze(1),dataB.unsqueeze(1),label,labelA,labelB,dataA_length,dataB_length

		# 好好理解一下collate_fn，这个相当于对数据进一步处理，相当于DataLoader每次迭代的返回值就是collate_fn的返回值，很秀。
        data = MyData(bagsA,bagsB,label,labelA,labelB)
        data_loader = DataLoader(data,batch_size=self.batch,shuffle=True,collate_fn=collate_fn)

加载.mat数据集+选取指定文件夹+循环遍历将元素放于列表中

加载.mat数据集

pos_data1 = loadmat(path + 'pos_bags1.mat')

选取指定文件夹

    pos_data_tmp = pos_data1['pos_bags']

循环遍历

pos_data1 = [i for i in pos_data_tmp]

三、数据处理

取list（numpy）纬度

原数据

valid_pos_bag_num = len(valid_pos_data)# 15
valid_instance_num = valid_pos_data[0].shape[0]# 25
valid_feature_num = valid_pos_data[0].shape[1]# 64

卷积与反卷积公式

卷积与反卷机公式
卷积与反卷积操作

正则化提高效果

    #l2-normalize
    train_data['X'] = normalize(train_data['X'], norm='l2', axis=1)

    #z-score normalize
    # train_mean = np.mean(train_data['X'], axis=0)
    # train_std = np.std(train_data['X'], axis=0)
    # train_data['X'] = (train_data['X']-train_mean)/train_std

        # np.vstack:按垂直方向（行顺序）堆叠数组构成一个新的数组
        norm_data = np.vstack((pos_data,neg_data))
        # # #z标准化 ### axis=0，计算每一列的均值
        norm_data_mean = np.mean(norm_data, axis=0)
        norm_data_std = np.std(norm_data,axis=0)
        norm_data = (norm_data-norm_data_mean)/norm_data_std
        # # #l2 norm标准化
        # norm_data = normalize(norm_data, norm='l2', axis=0)

将数据由numpy转为list开头的numpy

pos_data = list(norm_data[:pos_bag_num*instance_num].reshape(pos_bag_num,instance_num,feature_num))

数据由numpy类型的(15,25，64)变为

将数据从numpy转到tensor

pos_bags = [torch.from_numpy(bag).float() for bag in self.pos_bags]

改变数据形状

H = H.reshape(H.shape[0], H.shape[1], H.shape[2] * H.shape[3])  # (batch_size, bag_size, channel * height)

 tmp = np.reshape(tmp, (len(tmp), 25))

pos_data4 = pos_data4.transpose((0, 2, 1))

变为

tmp = np.reshape(tmp, (len(tmp), 1))

变为

data = data.permute(0, 1, 3, 2)

变为

#  交换第二和第三纬度
H = H.transpose(1, 2)  # swap channel and bag_size

dense_max = dense_max.repeat(1,dense_out.shape[1],1)

纬度由（[128,1,1])
变为

建立长度为3100的一个一维全1列表

label = []
label += [1] * len(pos_bagsB)

结果如下

建立一个全为0的torch

z = torch.zeros(dense_out.shape).to(device)

将多维list转为一维list

from Tkinter import _flatten

pos_neg_bagsB = list(_flatten(pos_neg_bagsB))

没用函数前pos_neg_bagsB为

用完之后

将列表中所有数据由numpy转为tensor

labelB = [torch.from_numpy(np.array(y)).float() for y in labelB]

转之前：

转之后：

l2-normalize ,z-score normalize

    #l2-normalize
    train_data['X'] = normalize(train_data['X'], norm='l2', axis=1)
    #z-score normalize
    # train_mean = np.mean(train_data['X'], axis=0)
    # train_std = np.std(train_data['X'], axis=0)
    # train_data['X'] = (train_data['X']-train_mean)/train_std

创建一个集合将数据放入

    valid_data_dic = {'pos_bag':[],'neg_bag':[]}
    valid_data_dic['pos_bag'] += valid_pos_bag
    valid_data_dic['neg_bag'] += valid_neg_bag

结果如下

np.random.permutation()：随机排列序列

 out = [np.random.permutation(l) for l in bags]

将数据放于空列表

    neg_data_tmp = []
    # a =neg_data1.shape
    # b=a[1]
    # 流程一步步运行看一下
    for i in range(neg_data1.shape[1]//25):
        tmp = neg_data1[:, i * 25:i * 25 +25]
        tmp = np.reshape(tmp, (len(tmp), 25))
        # 下采样
        if i % 1 == 0:
            #    i = i + 25
            neg_data_tmp.append(tmp)
    neg_data1 = neg_data_tmp

将一个列表转换成三维ndrray元素

    pos_data = [i for i in pos_data if len(i)>0]
    pos_data = np.array(pos_data)

变为

bag = np.transpose(bag_t)

变为

删除纬度为1的元素

    re_band = [0, 1, 2, 3, 68, 69, 70, 71]
    pos_data = np.delete(pos_data, re_band, axis=1)

变为

创建指定长度的ndarray的一维列表（值全为1或者0）

#len(pos_data)显示的44即为pos_data三维向量的第一个纬度。
    pos_label = np.array([float(1.0)] * len(pos_data))
    
    neg_label = np.array([float(0.0)] * len(neg_data))

创建指定长度的ndarray的二维列表（值全为1）

#len(pos_data)显示的44即为pos_data三维向量的第一个纬度。
 p_int_label = np.array([[float(1.0)]*25 for i in range(len(pos_data))])

将两个元组合并为一个列表zip

inputs = list(zip(neg_data, neg_label))

另一种合并列表的方式

    poss_ = [pos_data, pos_label]

调用自定义的数据库并在train函数加载它

    inputs = list(zip(neg_data, neg_label))
    train_dataset = customDataset(inputs)
    poss_ = [pos_data, pos_label]
    return train_dataset, poss_, p_int_label

    datapath = './data/dark green/'
    from torch.utils.data.sampler import WeightedRandomSampler
    
    train_dataset, train_pos, pos_int_label = new_gendata.train_dataset(datapath)
    weights = [2 if label[1]==1 else 1 for label in train_dataset]
    sampler = WeightedRandomSampler(weights, num_samples=len(weights), replacement=True)
    train_dataloader = DataLoader(
        train_dataset,
        batch_size=128,
        # shuffle=True,
        sampler=sampler,
        num_workers=2,
    )

取某一列的值

        tmp = neg_data4[:, i]

建立二维值为1的ndarry

bag_mask = np.ones((1, padding_size))

建立所需纬度的tensor全0值

b = torch.zeros(dense_out.shape).to(device)

将示例个数小于最大示例个数的包都用-1进行填充（np.concatenate）

bag = np.concatenate((bag, - np.ones((extra_size, bag.shape[1]))), axis=0)

torch.where()函数按指定条件合并两个tensor

作用是按照一定的规则合并两个tensor类型。

dense_out_max = torch.where(dense_out_max ==1, dense_out, dense_out_max)

import torch
>>> a=torch.randn(3,5)
>>> b=torch.ones(3,5)
>>> a
tensor([[-0.0310,  1.5895,  1.6003, -1.7584,  1.1478],
        [ 0.6773,  0.7763,  0.5024,  0.4952,  0.4198],
        [ 1.5132,  0.5185,  0.2956, -0.6312, -1.4787]])
>>> b
tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])
>>> torch.where(a>0,a,b)      #合并a,b两个tensor a>0的地方保存
tensor([[1.0000, 1.5895, 1.6003, 1.0000, 1.1478],
        [0.6773, 0.7763, 0.5024, 0.4952, 0.4198],
        [1.5132, 0.5185, 0.2956, 1.0000, 1.0000]])

np.where的合理定位选取列表中合适的数值

    p_bags = []
    a =[]
    b=[]
    for i in range(num_pos_bags):
        # labels ==(i+1)返回ture或者false
        b.append(labels==(i+1))
        # np.where(labels==(i+1))返回索引的坐标
        a.append(np.where(labels==(i+1)))
        # 取值
        p_bags.append(train_data[np.where(labels==(i+1))])

返回随机整型数

# len(train_pos[0])为44，所以返回64个0-43之间的随机整形数
ind = np.random.randint(0, len(train_pos[0]), 64)

阈值化处理

Y_hat = torch.ge(Y_prob, 0.5).float()  # 比较两个张量，Y_prob是否大于等于0.5，成立则放回1，否则返回0

全连接层操作指南

        self.feature_extractor_part2 = nn.Sequential(
            # apply a linear transformation on incoming data
            # y = Ax + b
            nn.Linear(320, self.L),
            nn.LeakyReLU(),
        )

H = self.feature_extractor_part2(H)  # (batch_size, bag_size, L=500)

对最后一个纬度进行操作

变为

squeeze()减少纬度和unsqueeze()增加纬度

unsqueeze()

可以看出a的维度为（2，3）

在第二维增加一个维度，使其维度变为（2，1，3）

可以看出a的维度已经变为（2，1，3）了，同样如果需要在倒数第二个维度上增加一个维度，那么使用b.unsqueeze(-2)

squeeze()函数介绍

1. 首先得到一个维度为（1，2，3）的tensor（张量）
   .

由图中可以看出c的维度为（1，2，3）

2.下面使用squeeze()函数将第一维去掉

可见，维度已经变为（2，3）

求三维数据第二维度的最大最小值

            val1, _ = torch.max(Y_prob.squeeze(2), dim=1)
            val2, _ = torch.min(Y_prob.squeeze(2), dim=1)

torch.clamp按指定条件裁剪

y_prob = torch.clamp(y_prob, min=1e-5, max=1. - 1e-5)

取出tensor中的值

把二维list列表转化为一维，实际上是取二维向量的值再放进list列表

pre_labels = [pre_labels[i][0] for i in range(len(pre_labels))]

变为

把三维list列表转化为二维，实际上是取二维向量再放进list列表

pre_labels = [pre_labels[i][0] for i in range(len(pre_labels))]

变为

取某一纬度的最大最小值

val1, _ = torch.max(Y_prob.squeeze(2), dim=1)
 val2, _ = torch.min(Y_prob.squeeze(2), dim=1)

tensor数学操作，相乘最大最小等

数学操作

寻找某一列对应的最大值

请问像这种数组，我要找第一列数值为十所对应的第二列的最大值代码是什么样的啊，有内置函数吗

四、其他

预参数自动加载argparse.ArgumentParser

# Training settings
def get_parser():
    """get parser for demo_gpu_newdata.py"""
    parser = argparse.ArgumentParser(description='PyTorch bags')
    parser.add_argument('--epochs', type=int, default=500, metavar='N',
                        help='number of epochs to train (default: 10)')
    parser.add_argument('--lr', type=float, default=0.0001, metavar='LR',
                        help='learning rate (default: 0.01)')
    parser.add_argument('--reg', type=float, default=1e-4, metavar='R',
                        help='weight decay')
    parser.add_argument('--seed', type=int, default=1234, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--cuda', action='store_true', default=True,
                        help='use CUDA training')
    return parser

# 调用
args = get_parser().parse_args()

设置随机种子以使得结果是确定的

torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的
torch.manual_seed(args.seed)  # set random seed on CPU
torch.cuda.manual_seed(args.seed)  # set random seed on GPU

很有用的采样方法（重采样）： WeightedRandomSampler，

它会根据每个样本的权重选取数据，**在样本比例不均衡的问题中，可用它来进行重采样。**构建WeightedRandomSampler时需提供两个参数：每个样本的权重weights、共选取的样本总数num_samples，以及一个可选参数replacement。权重越大的样本被选中的概率越大，待选取的样本数目一般小于全部的样本数目。replacement用于指定是否可以重复选取某一个样本，默认为True，即允许在一个epoch中重复采样某一个数据。如果设为False，则当某一类的样本被全部选取完，但其样本数目仍未达到num_samples时，sampler将不会再从该类中选择数据，此时可能导致weights参数失效。

sampler = WeightedRandomSampler(weights, num_samples=len(weights), replacement=True)

设备选择（GPU or CPU)

    device = torch.device("cuda" if args.cuda and torch.cuda.is_available() else 'cpu')

加载模型选择gpu、多gpu，cpu

    model = FC_weights()
    device = torch.device("cuda" if args.cuda and torch.cuda.is_available() else 'cpu')
    use_gpu = False
    # 使用多gpu
    if args.cuda and torch.cuda.device_count() > 1:
        print(f'Use {torch.cuda.device_count()} GPUs.')
        model = nn.DataParallel(model)
        use_gpu = True
    else:
        print('Use CPU.')
    model.to(device)

加载训练好的模型

    path_model = "results-valid-test/results-green/val-model-model-l1-0-0.6223.pt"
    checkpoint = torch.load(path_model)
    model.load_state_dict(checkpoint['model_state_dict'])
    model.eval()

验证，测试过程必须加上model.eval()否则改变权值

def val(epoch, model, val_data, device, usegpu=True):
    model.eval()

    checkpoints = torch.load('results-valid-test/results-015/val-model-model-l1-0-0.8577.pt')
    model.load_state_dict(checkpoints['model_state_dict'])
    model.eval()
    print("start testing:..........")
    pos_test = new_gendata.test_data_loader(testdatapath)
    auc001 = test_model(pos_test, device, model, modelpath='015', usegpu=use_gpu)

nn.BatchNorm2d()使用

            nn.Conv2d(1, 20, kernel_size=(1, 3)),
            nn.BatchNorm2d(20),

在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定

下采样

    neg_data2 = loadmat(path + 'neg_bags2.mat')['neg_bags']
    neg_data_tmp = []
    for i in range(neg_data2.shape[1]//25):
        tmp = neg_data2[:, i * 25:i * 25 + 25]
        tmp = np.reshape(tmp, (len(tmp), 25))
        # 下采样(采样数是试出来的）
        if i % 1 == 0:
            neg_data_tmp.append(tmp)
    neg_data2 = neg_data_tmp

输出多个变量

print('Epoch: [{}][{}/{}]\t'
                      'Time {:.3f} ({:.3f})\t'
                      'Data {:.3f} ({:.3f})\t'
                      'Loss_ce {:.3f} ({:.3f})\t'
                      'Loss_tr {:.3f} ({:.3f})\t'
                      'Prec {:.2%} ({:.2%})'
                      .format(epoch, i + 1, train_iters,
                              batch_time.val, batch_time.avg,
                              data_time.val, data_time.avg,
                              losses_ce.val, losses_ce.avg,
                              losses_tr.val, losses_tr.avg,
                              precisions.val, precisions.avg))

或者

print(f'epoch {epoch} loss : {epoch_loss}')

对不需要的文件进行批量删除

'''
@Date ：2022/1/20 10:03 
@Author ：ljm
@File ：delet.py
对不需要的文件进行批量删除
'''
from os import listdir
import os

def delete(path,num):
    datasetList = listdir(path)
    print(datasetList)
    datasetLength = len(datasetList)  # 文件夹中文件数量
    for i in range(datasetLength):
        filename = datasetList[i]  # 获取文件名字符串
        (filenametmp, extension) = os.path.splitext(filename)
        classOrder = filenametmp.split('-')[-1]  # 以 - 分割提取类别号
        if float(classOrder) < num:
            os.remove(path+'\\'+filename)

if __name__ == '__main__':
    path = r'results-valid-test\results-faux\res-model'
    num = 0.4
    delete(path,num)