iTom's blog

Background用 keras 写的一个模型，通过 add_loss 的方式为模型设置损失，形如：loss = loss_1(...) + loss_2(...) # 将 loss 写成 tensormodel.add_loss(loss) # add_loss 的方式model.compile(Adam())这种写法下，用 fit_generator 的方式训练模型时，gen...

用 index 数组从数据集里抽取一批数据，matlab 的写法与 python numpy 的写法不同：matlab 除了在 sample 那一维放索引数组，还要在其余维度加冒号 :（表示该维全选？）。numpyimport numpy as npimages = np.zeros([5, 32, 32, 3]) # [n, H, W, C]labels = np.ones([5, 10]) # [n, c]indices = np.array([0, 2, 1]) # 0-base

Backgroundsklearn.preprocessing.MinMaxScaler 用于将数据的数值范围变换到指定的范围。如果原数据 x∈[a,b]x\in\left[a,b\right]x∈[a,b]，希望变换后 y(x)∈[c,d]y(x)\in\left[c,d\right]y(x)∈[c,d]，那变换是：y(x)=(x−a)⋅d−cb−a+cy(x)=(x-a)\cdot\fra...

Notes将 mAP（@R）计算代码 改一份 pytorch 版的，结果跑出不同结果，发现 numpy 和 pytorch 的 argsort 返回的结果不同，测试算出的 mAP 差异有点大。但是…并不能说有错，只是对相等的元素，numpy 好像还按下标升序排（稳定排序，归并？），pytorch 没有（快排？）。Environmentnumpy 1.18.1pytorch 1.14.0...

NumPy 的数组可以用 np.random.shuffle 或 random.shuffle 打乱，元素还是之前的元素，只是位置变了；PyTorch 没有自己的 shuffle 函数[1]，但 torch.Tensor 不能用上面两种方法 shuffle：感觉变成可放回抽样了，元素不全、有重复。用 pytorch 如果自己写 data loading，用到 indices，且遇到 pytorch 0.3 这种不能用 numpy 数组对 torch.Tensor 做 advanced indexin.

pytorch 的 where 有两种用法：torch.where(condition, x, y)torch.Tensor.where(condition, y)第二种等同于 torch.where(condition, self, y)，而不是 torch.where(condition, y, self)。即 condition 满足时不变，不满足时才取 y。之前实际用的时候理解反了，以为是 按 condition 到 y 取值替换 self，是错的。而想达到这个效果，要对 conditi

numpy.random.choice 默认是有放回。其中有个 replace 的参数控制，默认是 True。如划分数据集用到，注意重复。Codeimport numpy as npa = np.arange(5)print(a)for _ in range(3): b = np.random.choice(a, 3) # 有放回 c = np.random.choice(a, 3, replace=False) # 无放回 print("\nb:", b)

在 [1] 中，当生成 (x, y) 位置时，用到 numpy.meshgrid。最初写的是：xx, yy = np.meshgrid(x, y)但到实际使用时，发现这会使得图像中 x 和 y 调转了，应该反过来才对。Problem在 [1] 中，由于 bar3d 传入的参数需要序列化为一维，所以需要位置、数据、颜色都以同一种序遍历矩阵，在 [1] 中体现为位置（xx、yy）、数据（acc）、颜色（color_list）都以 ravel() 展开。但是 meshgrid 生成的位置矩阵，会使得用

matlab 嵌套 for 循环遍历向量的坑

python 初始化 list 中 list 务必用 for 而不是 *

numpy 移轴（moveaxis）与换轴（swapaxes）的效果差异

pytorch 交换数组元素时考虑加 .item()

torch.where 行主序搜索，可能会导致纵横不对称的问题