深度学习中的python语法笔记总结

解释 torch中的 .clamp(min=0)

在PyTorch中，torch.clamp将张量中的元素限制在指定的范围内。 torch.clamp(min=0)会将张量中的每个元素与0进行比较，并将小于0的元素替换为0。其他大于等于0的元素则保持不变。

clamp函数原理

def clamp(x, lower, upper):
    if x < lower:
        return lower
    elif x > upper:
        return upper
    else:
        return x

torch.full()

torch.full()是PyTorch库中的一个函数，用于创建一个指定形状的张量，并填充指定的值。

函数的语法如下：

torch.full(size, fill_value, dtype=None, device=None, requires_grad=False)

参数说明：

size: 表示要创建的张量的形状，可以是一个整数，也可以是一个元组或列表形式的多个整数。 fill_value: 要填充到张量中的值，可以是任意标量值（如整数、浮点数等）。 dtype: 指定所创建张量的数据类型，默认为None，即使用默认的数据类型。 device: 指定所创建张量所在的设备，默认为None，表示使用当前设备。 requires_grad: 指定是否需要对张量进行自动求导，默认为False，即不进行自动求导。

import torch

# 创建一个形状为(3, 2)的张量，并填充为0.5
x = torch.full((3, 2), 0.5)
print(x)
# 输出结果:
# tensor([[0.5000, 0.5000],
#         [0.5000, 0.5000],
#         [0.5000, 0.5000]])

torch.nonzero()

torch.nonzero()是PyTorch中的一个函数，用于返回张量中非零元素的索引。它的语法是：

torch.nonzero(input, *, out=None)

参数说明：

input：要检查的张量。 out（可选）：输出张量，用于存储结果。 返回值是一个包含所有非零元素的索引的张量。每一行表示一个非零元素的索引，每一列表示一个维度的索引。

下面是一个简单的示例：
import torch

# 创建一个张量
a = torch.tensor([[0, 1, 0],
                  [2, 0, 3]])

# 使用torch.nonzero()找到非零元素的索引
indices = torch.nonzero(a)

print(indices)
输出结果为：

tensor([[0, 1],
        [1, 0],
        [1, 2]])

unsqueeze(dim=0) 和 squeeze(0)

unsqueeze(dim=0)

用于在指定维度上给张量添加额外的维度。

在这里，假设anchors是一个PyTorch张量。unsqueeze函数用于扩展张量的维度。dim=0参数指定了要添加额外维度的位置。

例如，如果anchors是一个形状为(N,)的张量，其中N表示张量中的元素个数，那么anchors.unsqueeze(dim=0)将返回一个形状为(1, N)的张量，其中在索引0处添加了额外的维度。

squeeze(0)

是在PyTorch中的一种方法调用，用于去除张量中尺寸为1的维度。

假设anchors是一个PyTorch张量。squeeze函数可以用来去除张量中尺寸为1的维度。参数dim=0指定了要去除的维度位置。

例如，如果anchors是一个形状为(1, N)的张量，其中第一个维度的大小是1，那么anchors.squeeze(0)将返回一个形状为(N,)的张量，去除了原始张量中的第一个维度。