m0_38057941的博客

1.增加维度——unsqueeze()函数a = torch.randn((3,4))print("a.shape:",a.shape)b1 = a.unsqueeze(0)print("b1.shape:",b1.shape)b2 = a.unsqueeze(-3)print("b2.shape:",b2.shape)print("****************************")c1 = a.unsqueeze(1)print("c1.shape:",c1.shape)

论文：Grad-CAM: Why did you say that? Visual Explanations from Deep Networks via Gradient-based Localization链接：论文链接0.CAM和Grad-CAM基于1个假设：类别c获得的softmax分数yc，是最后1层卷积特征图A（可以包含多个通道）的全局均值池化后的线性组合。1.原理Grad-CAM是使用任何目标概念的梯度，流入最后一卷积层，生成1个粗略的定位图来显示和【预测区域】关联性更高的

1.clip gradients—解决梯度爆炸问题的方法作用：它能有效地权重控制在一定范围之内，防止梯度爆炸算法步骤如下：1.首先设置一个梯度阈值：clip_gradient2.在后向传播中求出各参数的梯度，这里我们不直接使用梯度进去参数更新，我们求这些梯度的l2范数3.然后比较梯度的l2范数||g||与clip_gradient的大小4.如果前者大，求缩放因子clip_gradient/||g||,　由缩放因子可以看出梯度越大，则缩放因子越小，这样便很好地控制了梯度的范围5.最后将梯度乘

1.numpy.where1.1.numpy.where(condition)a = np.arange(10)print(a)输出：[0 1 2 3 4 5 6 7 8 9]b = np.where(a<=5)print(b)输出：(array([0, 1, 2, 3, 4, 5], dtype=int64),)1.2.numpy.where(condition, x, y)condition为真执行x，否则执行ya = 10b = np.where(a>

1、.与…与./与…/. 代表当前所在目录… 代表当前所在目录的父目录./ 代表当前所在目录下的某个文件夹或文件…/ 代表当前所在目录的父目录下的某个文件夹或文件2.Pytorch：transforms的二十二个方法1.依概率p垂直翻转——transforms.RandomVerticalFlip功能：依据概率p对PIL图片进行垂直翻转参数：p- 概率，默认值为0.5 eg:VerticalFlip(p=0.5),2.依概率p水平翻转——transforms.RandomHo

1.BatchNorm2d函数——利于训练数据稳定加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torch.nn.BatchNorm2d(num_features, eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5 eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)2.os

0.基础知识0.1. torch.nn.init.kaiming_normal_(m.weight, mode=‘fan_out’, nonlinearity=‘relu’)用正态分布来，填充输入张量0.2.torch.nn.init.constant_(m.weight, 1)用常量1，来填充输入张量0.3.nn.BatchNorm2d2维数据归一化层（把数据按比例缩放，使之落入一个小小的特定区间）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0.4.torch.

1.pytorch基础知识1.1. def xxxxx(*args, **kwargs):一个星号 * 作用是将tuple或者list中的元素进行unpack，分开传入，作为多个参数；两个星号** 作用是把dict类型的数据作为参数传入。1.2.tuple、list、dictlist是一种有序的集合，可以随时添加和删除其中的元素执行结果： # list是一种有序的集合，可以随时添加和删除其中的元素list_1 = [1,2,3,4,5]list_1[

1.固定结构 #搭建前向网络 class Net(torch.nn.Module): def __init__(self,input_features,hidden_nums,output_features): super(Net,self).__init__() …… …网络结构：Linear、Conv… …… def forward(self,x): 调用上边的网络结构 #return 返回值 ret

1.基本知识1.1.import 与 from…importimport 模块：导入一个模块；注：相当于导入的是一个文件夹，是个相对路径。from…import：导入了一个模块中的一个函数；注：相当于导入的是一个文件夹中的文件，是个绝对路径。 import support #现在可以调用模块里包含的函数了 support.print_func("Runoob") from support import * # 现在可以调用模块里包含的函数了 print_func("

1.python基本语法1.1.函数体定义与调用 def 函数名(参数列表): 函数体先定义，后调用#先定义def sum(i,j): return i+j#后调用result=sum(1.2,3)print("输出结果：%f"%result)1.2.zip用法1.2.1.zip()zip()，执行各数组之间的元素打包,而且元素个数与最短的列表一致zip函数返回一个zip类型对象，所以输出时，需要转换为list类型import numpy

1.什么是PyTorch?PyTorch是一个基于Python的科学计算库，它有以下特点:类似于NumPy，但是它可以使用GPU可以用它定义深度学习模型，可以灵活地进行深度学习模型的训练和使用2.基本函数torch.empty—返回一个未初始化数据的张量.torch.rand—返回一个由[0,1)随机数填充的张量torch.zeros—构建一个全为0填充的张量x.dtype—返回张量的数据类型torch.tensor([数据])—从数据直接直接构建ten