深度学习(21):nerf-pytorch语法知识点记录

0 前面写的几篇

前面关于nerf的一些学习：

深度学习(20):nerf论文翻译与学习
深度学习(19):nerf论文公式理解
深度学习(18):nerf、nerf-pytorch代码运行与学习

本文学习的代码：nerf-pytorch

nerf-pytorch项目是 NeRF 的忠实 PyTorch 实现，它在运行速度提高 1.3 倍的同时重现结果。
github地址: https://github.com/yenchenlin/nerf-pytorch

1 python简单语法

1.1 python简单字符

（1）{} 表示字典
（2）@ 可以表示修饰符，也可以表示矩阵乘法(不常用)
（3）//是一个算术运算符，表示整数除法，它可以返回商的整数部分（向下取整）
（4）[]表示列表
列表追加（或者说合并）
a, b = ['foo'], ['bar'] a + b

1.2 python切片操作

counts[-1]表示counts的最后一项
s[-1:] 表示序列 s 的第 -1 个元素，也即最后一个元素
s[index]—— 返回索引值为 index 的那个字符
s[start:] —— 返回从索引值为 start 开始一直到字符串末尾的所有字符
s[start:stop] —— 返回从索引值为 start 开始一直到索引值为 stop 的那个字符之前的所有字符
s[:stop] —— 返回从字符串开头一直到索引值为 stop 的那个字符之前的所有字符
s[start:stop:step] —— 返回从索引值为 start 开始一直到索引值为 stop 的那个字符之前的，以 step 为步长提取的所有字符

3 python 函数

3.1 var()函数

vars() 函数返回对象object的属性和属性值的字典对象，简言之就是将一个object转换成字典对象。

3.2 getattr()函数

函数功能是从对象object中获取名称为name的属性，等效于调用object.name。

3.3 sorted()函数

可以对所有可迭代的对象进行排序操作。

3.4 range()函数

用于生成一个整数序列。
（1）range(stop) : range(10)指的是默认从0开始，步长为1，不包括10----0,1,2,3,4,5,6,7,8,9
（2）range(start,stop) :range(1,10)----1,2,3,4,5,6,7,8,9
（3）range(start,stop,step)：创建一个在[start,stop)之间，步长为step,range(1,10,2) ----1,3,5,7,9

3.5 time.time()

time.time():返回当前时间的时间戳（从1970纪元开始的浮点秒数）
通过time.time()返回的时间戳做差值，可以计算一个程序运行的秒差。

4 PyTorch相关

4.1 nn.Identity()

nn.Identity() 是个函数，不是矩阵！
相当于：恒等函数 f ( x ) = x
参考：https://blog.csdn.net/OrdinaryMatthew/article/details/126741133

4.2 nn.Linear

nn.Linear定义一个神经网络的线性层，方法定义：

torch.nn.Linear(in_features, # 输入的神经元个数
           out_features, # 输出神经元个数
           bias=True # 是否包含偏置
           )

示例：
定义线性层，假设输入样本数为line，样本的输入特征为5，所以in_feature=5，想让下一层的神经元个数为10，所以out_feature=10，则模型参数为： W~{5×10​}~
model = nn.Linear(in_features=5, out_features=10, bias=True)
经过线性层，其实就是做了一件事，即：
Y_{line×10}​=X_{line×5}​W_{5×10}​+b

参考：https://blog.csdn.net/zhaohongfei_358/article/details/122797190

4.3 nn.ModuleList 类

nn.ModuleList 这个类，可以把任意 nn.Module 的子类 (比如 nn.Conv2d, nn.Linear 之类的) 加到这个 list 里面，方法和 Python 自带的 list 一样，无非是 extend，append 等操作。但不同于一般的 list，加入到 nn.ModuleList 里面的 module 是会自动注册到整个网络上的，同时 module 的 parameters 也会自动添加到整个网络中。
具体参考链接：https://zhuanlan.zhihu.com/p/64990232，讲解比较清楚

4.4 torch.reshape()

reshape函数中-1代表的是n，什么意思呢，函数中另一个参数决定了-1的值
示例：
定义3×4的张量，reshape(-1, 1)，你把它想象成要转换成n×1的矩阵，即转换成了12*1的矩阵
reshape(1, -1)呢？那就是1×12了
reshape(2, -1)呢？没错，那就是2×6的矩阵了
参考：https://blog.csdn.net/weixin_42599499/article/details/105896894

4.5 torch.randperm()

torch.randperm(n)：将0~n-1（包括0和n-1）随机打乱后获得的数字序列，函数名是random permutation缩写

4.6 numpy.random.choice()

numpy.random.choice(a, size=None, replace=True, p=None)
从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
replace:True表示可以取相同数字，False表示不可以取相同数字
数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。
参考：https://blog.csdn.net/ImwaterP/article/details/96282230

5 numpy库函数

5.1 np.arange()

np.arange([start, ]stop, [step, ]dtype=None)
参数解释：
start:起点值；可忽略不写，默认从0开始
stop:终点值；生成的元素不包括结束值
step:步长；可忽略不写，默认步长为1
dtype:默认为None，设置显示元素的数据类型

不同参数个数情况介绍：
一个参数时，参数值为终点值，起点取默认值0，步长取默认值1。
两个参数时，第一个参数为起点值，第二个参数为终点，步长取默认值1。
三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长，其中步长支持小数。
参考：https://blog.csdn.net/qq_45154565/article/details/115690186

5.2 np.meshgrid()

(1)自己理解

np.meshgrid(a, b,indexing = "xy") 函数会返回 b.shape() 行 ，a.shape() 列的二维数组。
因此 i, j 都是 b.shape()行 a.shape() 列 的二维数组。

(2)官方解释

参考：https://numpy.org/doc/stable/reference/generated/numpy.meshgrid.html
代码：numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')
作用：给定一维坐标数组 x1、x2、…、xn，制作 N 维坐标数组以对 N 维网格上的 N 维标量/矢量场进行矢量化评估。

参数:
x1, x2,…, xn:array_like
表示网格坐标的一维数组。

indexing:{'xy', 'ij'}, optional
可选参数，用于设置输出的是笛卡尔（‘xy’，默认）还是矩阵（‘ij’）索引。
此函数通过索引关键字参数支持两种索引约定。
给出字符串“ij”返回一个带有矩阵索引的网格，而“xy”返回一个带有笛卡尔索引的网格。
在输入长度为 M 和 N 的二维情况下，对于“xy”索引，输出形状为 (N, M)，对于“ij”索引，输出形状为 (M, N)。
在输入长度为 M、N 和 P 的 3-D 情况下，对于“xy”索引，输出的形状为 (N, M, P)，对于“ij”索引，输出的形状为 (M, N, P)。

简单示例

import numpy as np
x = [1, 2, 3, 4]
y = [7, 8, 9]

X, Y = np.meshgrid(x, y) 
print("X:")
print(X)
print("Y:")
print(Y)
print("==============================")
X1, Y1 = np.meshgrid(x, y,indexing='xy') 
print("X1:")
print(X1)
print("Y1:")
print(Y1)
print("==============================")
X2, Y2 = np.meshgrid(x, y,indexing='ij') 
print("X2:")
print(X2)
print("Y2:")
print(Y2)  
"""
结果输出：
X:
[[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]]
Y:
[[7 7 7 7]
 [8 8 8 8]
 [9 9 9 9]]
==============================
X1:
[[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]]
Y1:
[[7 7 7 7]
 [8 8 8 8]
 [9 9 9 9]]
==============================
X2:
[[1 1 1]
 [2 2 2]
 [3 3 3]
 [4 4 4]]
Y2:
[[7 8 9]
 [7 8 9]
 [7 8 9]
 [7 8 9]]
"""

sparse:bool, optional 默认false
简单示例

import numpy as np
x = [1, 2, 3, 4]
y = [7, 8, 9]

X, Y = np.meshgrid(x, y,sparse=True) 
print("X:")
print(X)
print("Y:")
print(Y)
"""
结果输出：
X:
[[1 2 3 4]]
Y:
[[7]
 [8]
 [9]]
"""

meshgrid 对于评估网格上的函数非常有用。如果函数依赖所有坐标，可以使用参数 sparse=True 来节省内存和计算时间。
简单示例：

import numpy as np
x = [1, 2, 3, 4]
y = [7, 8, 9]

X, Y = np.meshgrid(x, y,sparse=True) 
zs = np.sqrt(X**2 + Y **2)
print("X.shape,Y.shape,zs.shape",X.shape,Y.shape,zs.shape)
print("==============================")
X1, Y1 = np.meshgrid(x, y,sparse=False) 
zz = np.sqrt(X1**2 + Y1 **2)
print("X1.shape,Y1.shape,zz.shape",X1.shape,Y1.shape,zz.shape)
print("==============================")
print(np.array_equal(zz, zs))
"""
结果输出：
X.shape,Y.shape,zs.shape (1, 4) (3, 1) (3, 4)
==============================
X1.shape,Y1.shape,zz.shape (3, 4) (3, 4) (3, 4)
==============================
True
"""