pytorch 笔记

---

numpy中匹配一个shape是3,4,5的array中的最后一维==(0,0,0,0,1)的数量，就是这12个长度为5的子array里面有几个等于目标小array

注意(a==b).sum()会返回错误结果，因为broadcast的结果是b被扩充后，单个元素相同则返回1，就不是整个array的匹配了。

((a==b).sum(3)==5).sum()才能返回需要的结果，

---

pdb.set_trace = lambda: 1

忽略pdb.set_trace 继续运行

---

 

one-hot形式的坐标的使用方式：
You can use broadcasting -

(np.array(s)[:,None]==np.arange(num_classes))+0

---

numpy的两端加维度的方式：

a.shape=[1,2,3]

a[:,None].shape=[1,2,3,1]

就是用None去填充新的维度。肯定有更深刻的indexing原理来解释这个事情，涉及broadcast操作。

---

torch的argmax再所有数都相同的时候，会返回最后一个坐标。

---

不同类型比较：

tensor如果是int类型的话，不能直接和float做比较，如下图，真弱智。

numpy上就能得到自己想要的

---

 

DataParallel 几个gpu同时运行，每个处理不同的样例，而不是每个在同一个样例的不同阶段，然后一同把梯度加起来作为最终结果。这样子，如果一个batch是128，4个gpu，哪个一个batch分成4份喂到gpu里面，这样其实和一个gpu是一样结果的。

 

torch.cuda()会把现在创建的tensor都创建在当前选择的device里面。

 

b = torch.tensor([1., 2.]).cuda()这是两步动作，先在cpu创建，后放到gpu中。一步动作：

b2 = torch.tensor([1., 2.]).to(device=cuda)

---

python打印module路径
import torchvision 
print(torchvision.__file )

---

python中，class内部的属性变量不用非要在__init__中做一个self.才算。只要在class生命下有一个变量声明就行了：

class t:
    train=3

---