Python中常用的函数概念及功能

Posted 2023-03-09 Benbaobaos

前言

我写这篇博客的目的是整理Python中各式各样的函数以及概念，看到了一些好的解释可能会整合到本篇文章中，若有侵权，请联系我删除。
持续更新中。。。 3月8日

---

类（class）

代码的封装，可以实现某特定功能，在“类”外我们可以通过调用类实现此功能。

Ps:一般调用Class时不能传入空参数

构造函数:_ init _()

构造方法__init__用于创建实例对象时使用，每当创建一个类的实例对象时，Python 解释器都会自动调用它，用来初始化对象的某些属性。

super().init()

继承父类的init方法

self

在Python类（Class）中规定，函数的第一个参数是实例对象本身，并且约定俗成，把其名字写为self。self的作用就是把代码中的函数、对象实例化。
故在创建实例的时候，可以将我们认为必须绑定的属性填写进去，在python中，是通过类中通常都会使用的一个方法，即def init(self,A,B) 方法，在创建实例变量的时候，就把属性A,B绑上去。

与普通的函数相比，在类中定义的函数只有两点不同：

1. 第一个参数永远是 self ，并且调用时不用传递该参数。
2. 类中函数相互调用要加 self。
   

例子：

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module): #定义了一个名为Model的类（创建了继承Module的子类Model）
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

张量（Tensor）

张量是机器学习程序中的数字容器，本质上就是各种不同维度的数组，我们把张量的维度称为轴（axis），轴的个数称为阶（rank）（也就是俗称的维度）
4阶张量：图像数据
图像数据本身包括高度、宽度，再加上一个颜色深度通道。MNIST数据集中是灰度图像只有一个颜色深度通道；而GRB格式的彩色图像，颜色深度通道的维度为3.
因此，对于图像数据集来说，长、宽、深再加上数据集大小这个维度 ，就形成了4D张量，其形状为（样本、图像高度、图像宽度、颜色深度），如MNIST特征数据集的形状（60000，28，28，1）。

https://blog.csdn.net/sjjsaaaa/article/details/115915942，版权声明：本文为CSDN博主「黎明之道」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/sjjsaaaa/article/details/115915942

由于需要处理的数据维数较大，故机器学习中采用批处理的学习方式。

A.to(device)

将A拷贝到device所指定的设备（CPU或者GPU）上进行后续的运算

device = torch.device("cuda" if use_cuda else "cpu") #存储参数和缓冲区
data, target = data.to(device), target.to(device)

numpy.argmin()

该函数主要用来检索数组中最小值的位置,并返回其下标值；同理argmax()用来检索最大值的位置

python数组、列表等索引值

索引值以 0 为开始，-1 为末尾

model.eval()

在使用model.eval()时就是将模型切换到测试模式，在这里，模型就不会像在训练模式下一样去更新权重。
[注] model.eval()不会影响各层的梯度计算行为，即会和训练模式一样进行梯度计算和存储，只是不进行反向传播。