先在類中定義了構(gòu)造函數(shù)以及一個(gè)自定義函數(shù)；
構(gòu)造函數(shù)定義了屬性S、B，自定義函數(shù)引入兩個(gè)參數(shù)，對(duì)兩個(gè)參數(shù)進(jìn)行調(diào)用
- 這里就說(shuō)明參數(shù)的結(jié)構(gòu)是怎么樣的，取決于參數(shù)被調(diào)用了什么東西，比如這里調(diào)用了N = box1.size(0) M = box2.size(0)說(shuō)明了它是類似一個(gè)矩陣的東西，對(duì)應(yīng)的box1的定義就是`torch.rand(10,4)

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable

#探究屬性S，B是如何產(chǎn)生的，以及box1、box2是如何產(chǎn)生的、如何調(diào)用
class yoloLoss(nn.Module):
    def __init__(self,S,B):
        self.S=S
        self.B=B
    def compute_iot(self,box1,box2):
        N = box1.size(0)  #調(diào)用方式就表示了變量是什么類型，這里是一個(gè)張量，其中每個(gè)元素是一個(gè)tensor，所以是N*4的張量
        M = box2.size(0)
        print(M,N)

yoloLoss1 =yoloLoss(10, 11)
yoloLoss1.compute_iot(torch.rand(10,4),torch.rand(11,4))

數(shù)據(jù)擴(kuò)展

探究unsqueeze以及expand的使用方法，unsqueeze可以增加一個(gè)緯度，但是維度的siz只是1而已，而expand就可以將數(shù)據(jù)進(jìn)行復(fù)制，將數(shù)據(jù)變?yōu)閚

# 獲得一開(kāi)始的初始化數(shù)值：tensor([[a1,a2,a3]])
nn1=torch.rand(1,3)
print(nn1)
# unsqueeze是解壓的意思，在第i個(gè)維度上進(jìn)行擴(kuò)展，將其擴(kuò)展為tensor([[[a1,a2,a3]]])
nn1=nn1.unsqueeze(0)
print("*"*100)
print(nn1)
#利用expand對(duì)數(shù)據(jù)進(jìn)行擴(kuò)展
nn1=nn1.expand(1,3,3)
print("*"*100)
print(nn1)

到此這篇關(guān)于python類參數(shù)定義及數(shù)據(jù)擴(kuò)展方式unsqueeze/expand的文章就介紹到這了,更多相關(guān)python unsqueeze/expand內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: