00000cj的博客

将张量src中的值按参数index中指定的索引写入self。对于src中的值，当dimension!=dim时它的输出索引就是它在src中的索引。当dimension=dim时，它的输出索引就是它本身的值。

同样是在调试dbnet遇到的坑，导致以为速度瓶颈在后处理，后来发现后处理时间不长，还是模型推导的时间占大头。一开始这样打印模型推导时间，结果特别小start = time.time()preds = self.model(tensor)end = time.time()print('inference take {:.3f}s for one image'.format(end - start))在pytorch里面，程序的执行都是异步的。如果采用上述方式，测试的时间会很短，因为执行完e

的shape为\((N, H_{out}, W_{out}, 2)\)，则输出的shape为\((N, C, H_{out}, W_{out})\)。只支持二维（spatial）和三维（volumetric）数据，因为还包括batch_size和channel维度，即只支持4-D和5-D的输入。比如x=-1, y=-1表示输入的最左上角的位置，x=1, y=1表示输入的最右下角位置。的shape为\((N, C, H_{in}, W_{in})\)，指定了采样像素的位置，这里的位置是由。

上面的 \(\prod (kernel\_size)=2\times 3=6\)，窗口内共有2x3x5=30个值，对应输出维度中的 \(C\times \prod (kernel\_size)\)。接下来因为默认stride=1,dilation=1,padding=0，因此(2, 3)大小的kernel在维度(3, 4)中两个方向都只能滑动一次，因此滑动窗口只有4个位置，对应上面的 \(L=4\)。这里 \(L\) 的计算方式和卷积中输出大小的计算是一模一样的。

上面的示例是二维的情况，同理也可以推广到三维甚至更多维。总结来说，index中每个数其本身的值表示参数dim指定维度的索引，而其它的每个维度都由每个数在index中的对应维度的索引指定。

沿给定维度滚动张量输入。超出最后一个位置的元素在第一个位置重新引入。如果dims为None，则张量将在滚动前被展平，然后恢复到原始形状。

假设tensor的shape为(*)，函数返回shape为(*,num_classes)的tensor，返回的tensor中除了最后一维索引为tensor对应值位置为1，其它都为0。

更改数据类型torch.dtype或者设备torch.device。

而torch.tensor会根据初始值自动分配数据类型，并且可以在初始化时指定数据类型。即torch.Tensor默认为float32类型，并且在初始化时不可改变。

计算一个张量的直方图。张量中的元素被分到min和max之间的等宽bins区间中，如果min和max都为0，则使用张量中所有元素的最小值和最大值。小于min和大于max的元素将被忽略。注意，输入不能是int类型，因此第一个元素初始化为float了这里的含义是把[0, 9]区间均分为5个子区间，统计输入中的元素落在每个子区间里的个数。这里2个1落在[0, 1]，3个2落在[2, 3]，5落在[4, 5]，[6, 7]中没有元素，8落在[8, 9]中，因此结果就是[2, 3, 1, 0, 1]在语义分割中，

一个hook是一个可调用对象，可以通过不同的方式注册到任意nn.Module对象上，当module的触发方法比如（forward()或backward()）被调用后，module本身以及其输入和输出被传递给hook并触发调用。比如当一个hook通过torch.nn.Module.register_forward_hook()的方式注册到一个module上时，每次其forward函数计算出其输出之后紧接着调用hook。hook的参数形式是固定的 hook(module, input, output)