标签:显示 use evel image news width row form argmax
学习pytorch路程之动手学深度学习-3.4-3.7
置信度、置信区间参考:https://cloud.tencent.com/developer/news/452418 本人感觉还是挺好理解的
交叉熵参考博客:https://www.cnblogs.com/kyrieng/p/8694705.html https://blog.csdn.net/tsyccnh/article/details/79163834 个人感觉还不错,好理解
(这段瞅瞅就行了)torchvision包,服务于PyTorch深度学习框架的,用于构建计算机视觉模型,主要构成有:
torchvision.datasets:加载数据的函数及常用的数据集接口
torchvision.mdoels:包含常用的模型结构(含预训练模型),例如AlexNet、VGG、ResNet等
torchvision.transforms:常用的图片变换,例如裁剪、旋转等
torchvision.utils:其他一些有用的方法
一行里画出多张图像和对应标签的函数
def show_fashion_mnist(images, labels):
use_svg_display()
# 这里的_表示我们忽略(不使用)的变量
_, figs = plt.subplots(1, len(images), figsize=(12, 12))
# subplots(row, cloumn, figsize=(12, 12)) row:子图的行数,即有几行;column:子图的列数,即一行有几个图;
# figsize:子图的Height和Width 其他参数请参考博客https://www.cnblogs.com/zhouzhe-blog/p/9614761.html 感谢大佬
# fig, ax = subplots() fig:返回一个图像fig(这是一个整幅图像,含有子图);ax:返回子图列表(fig的子图)
for f, img, lbl in zip(figs, images, labels):
# zip()把可迭代的对象中的元素打包成一个个的元组,返回这些元组的列表。若是可迭代对象的元素个数不一致,
# 则返回列表的长度与最短的对象相同https://www.runoob.com/python/python-func-zip.html
f.imshow(img.view((28, 28)).numpy()) # imshow(x,cmap) x表示要显示图片的变量,cmap为颜色图谱,默认为RGB(A)
# imshow()其他参数可百度
f.set_title(lbl) # 设置图像标题
f.axes.get_xaxis().set_visible(False) # 设置x轴不可见
f.axes.get_yaxis().set_visible(False) # 设置y轴不可见
plt.show()
查看数据集前10个图片及对应标签
X, y = [], []
for i in range(10):
X.append(mnist_train[i][0]) # 每个图片对应的tensor(形状如torch.size([1, 28, 28]))附加到列表X中
y.append(mnist_train[i][1]) # 每个图像对应的labels的数字代表(即用0-9代替了标签)
show_fashion_mnist(X, get_fashion_mnist_labels(y))
# get_fashion_mnist_labels()通过数字获取对应的标签 show_fashion_mnist()显示图片和对应的label
softmax回归实现
torch.gather()函数的理解
下面说说我对gather()函数的理解,gather(input,dim,index,out=None),对于gather函数我百度了一些解释,参考了一些博客,如 https://www.jianshu.com/p/5d1f8cd5fe31 (对dim=0时的三维tensor解释的可以) https://blog.csdn.net/edogawachia/article/details/80515038
以上述第一个博客的tensor为例,
input = tensor([[[18., 5., 7., 1., 1.],
[ 3., 26., 9., 7., 9.],
[ 10., 28., 22., 27., 0.]],
[[ 26., 10., 20., 29., 18.],
[ 5., 24., 26., 21., 3.],
[ 10., 29., 10., 0., 22.]]])
index = torch.LongTensor([[[0,1,2,0,2],
[0,0,0,0,0],
[1,1,1,1,1]],
[[1,2,2,2,2],
[0,0,0,0,0],
[2,2,2,2,2]]])
首先明确tensor的形状是(2,3,5),即第一层中括号里有2个维度,第二层中括号里有3个维度,第三层中括号里有5个维度,所以(2,3,5)
dim = 1
即用index里值修改代替index对应位置的数值的下标中第2个下标值。例如index中下标为(0,0,0)的对应值0,用对应值0替换
下标中第2个值0得出(0,0,0),然后去input中取下标为(0,0,0)的值18放入输出tensor下标(0,0,0)对应位置;index中下标为(0,0,1)的对应
值1,用对应值1替换下标中第2个值得出(0,1,1),取出input中下标为(0,1,1)的值为26放入输出tensor下标(0,0,1)对应位置;index中下标为(1,0,1)
对应值2,用对应值2替换下标中第2个值得出(1,2,1),取出input中下标为(1,2,1)的值为29放入输出tensor下标(1,0,1)对应位置。
依次类推,得出输出tensor如下:
tensor([[[ 18., 26., 22., 1., 0.],
[ 18., 5., 7., 1., 1.],
[ 3., 26., 9., 7., 9.]],
[[ 5., 29., 10., 0., 22.],
[ 26., 10., 20., 29., 18.],
[ 10., 29., 10., 0., 22.]]])
dim = 2
同理dim=1,这次只不过是替换下标中第3个值。如index中下标为(0,0,4)的对应值2,替换后得(0,0,2),取input值为7
index2 = torch.LongTensor([[[0,1,1,0,1],
[0,1,1,1,1],
[1,1,1,1,1]],
[[1,0,0,0,0],
[0,0,0,0,0],
[1,1,0,0,0]]])
dim = 0
同理dim=1,这次是替换下标中第1个值。如index2中下标为(0,0,1)的对应值1,替换后的(1,0,1),取input值为10
torch.argmax()函数的理解
我真是菜的一批,看了好久(一看就困),以博客 https://blog.csdn.net/weixin_42494287/article/details/92797061 的三维的例子为例,说一下个人的理解
a=torch.tensor([
[
[1, 5, 5, 2],
[9, -6, 2, 8],
[-3, 7, -9, 1]
],
[
[-1, 7, -5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]
]])
# a的形状为(2,3,4) 比较时,若是第一块和第二块比,值一样,则取第二块的位置值;dim表示维度,要干掉的维度
b=torch.argmax(a,dim=0)
dim=0,干掉第一维,也就是剩下(3,4),即红色中括号里对应位置数字相比,第一个红色中括号对应位置数字大,则取0,否则取1。
值相同取第二个红色中括号对应值1(对应上面的黑色粗体字)。(为什么取0/1?)
结果:
tensor([[0, 1, 0, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
c=torch.argmax(a,dim=1)
dim=1,干掉第二维,也就是剩下(2,4),即蓝色和荧光绿色中括号里对应位置数字相对,蓝色剩一行,荧光绿色剩一行。以蓝色为例,第一个蓝色中括号
数值大则取0,第二个蓝色中括号数值大则取1,第三个蓝色中括号数值大则取2。(为什么取0/1/2?)
结果:
tensor([[1, 2, 0, 1],
[1, 2, 2, 1]])
d=torch.argmax(a,dim=2)
dim=2,干掉第三维,也就是剩下(2,3),即红色中括号为2,蓝色和荧光绿色为3,也就是蓝色和荧光绿色中括号里剩一个值并转置(或者说取了值后放
在一个列表里)。例如:第一个蓝色中括号:有2个5,取第二个5,取值2;第二个蓝色中括号:9最大,取值0;第三个蓝色中括号:7最大,取值1。组成
列表为[2,0,1]
结果:
tensor([[2, 0, 1],
[1, 0, 2]])
二维也一样,去掉某一维即可
看明白了argmax函数后,torch.sum(input,dim,output)也就懂了,不过sum是把要干掉的维度上数求和(即合并成一个)
小白学习之pytorch框架(4)-softmax回归(torch.gather()、torch.argmax())
标签:显示 use evel image news width row form argmax
原文地址:https://www.cnblogs.com/JadenFK3326/p/12120924.html