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
