基础配置

  1. import numpy as np
  2. import torch
  3. import torch.nn as nn
  4. #设置单元格全部行的输出结果
  5. from IPython.core.interactiveshell import InteractiveShell
  6. InteractiveShell.ast_node_interactivity = "all"

np.concatenate()用法

concatenate功能：数组拼接

函数定义：numpy.concatenate((a1, a2, …), axis=0, out=None)

Parameters:

a1, a2, … : 数组序列，除了axis对应的轴，数组其他维度必须一样

axis : 可选，默认是0

out : 多维数组，可选，如果out提供，则结果保存在out中。数组大小必须正确，与真实结果相匹配。

Returns: res : 多维数组，最后拼接好的数组

  1. a = np.array([[1, 2], [3, 4]])
  2. b = np.array([[5, 6]])
  3. np.concatenate((a, b), axis=0)
  4. np.concatenate((a, b.T), axis=1)
  1. array([[1, 2],
  2.        [3, 4],
  3.        [5, 6]])
  10. array([[1, 2, 5],
  11.        [3, 4, 6]])

numpy.empty()用法

numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）、顺序且未初始化（随机）的数组：

numpy.empty(shape, dtype = float, order = ‘C’)

参数说明
shape 数组形状

dtype 数据类型，可选

order 有”C”和”F”两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

  1. import numpy as np 
  2. x = np.empty([3,2], dtype = int,order='C') 
  3. print (x)
  1. [[ 538976288 1092624416]
  2.  [1701410336 1718558839]
  3.  [1617780768 1953068832]]

取上、下三角矩阵（常用于mask）

np.tiru()用法

语法：np.triu(m, k=0) m：表示一个矩阵，K：表示对角线的起始位置（k取值默认为0），取矩阵的上三角矩阵

  1. data=torch.arange(25).reshape((5,5))
  2. data
  3. #k=0表示正常的上三角矩阵
  4. upper_triangle = np.triu(data, 0)
  5. upper_triangle
  6. #k=-1表示对角线的位置下移1个对角线
  7. upper_triangle = np.triu(data, -1)
  8. upper_triangle
  9. #k=1表示对角线的位置上移1个对角线
  10. upper_triangle = np.triu(data, 1)
  11. upper_triangle
  1. tensor([[ 0,  1,  2,  3,  4],
  2.         [ 5,  6,  7,  8,  9],
  3.         [10, 11, 12, 13, 14],
  4.         [15, 16, 17, 18, 19],
  5.         [20, 21, 22, 23, 24]])
  12. array([[ 0,  1,  2,  3,  4],
  13.        [ 0,  6,  7,  8,  9],
  14.        [ 0,  0, 12, 13, 14],
  15.        [ 0,  0,  0, 18, 19],
  16.        [ 0,  0,  0,  0, 24]], dtype=int64)
  23. array([[ 0,  1,  2,  3,  4],
  24.        [ 5,  6,  7,  8,  9],
  25.        [ 0, 11, 12, 13, 14],
  26.        [ 0,  0, 17, 18, 19],
  27.        [ 0,  0,  0, 23, 24]], dtype=int64)
  34. array([[ 0,  1,  2,  3,  4],
  35.        [ 0,  0,  7,  8,  9],
  36.        [ 0,  0,  0, 13, 14],
  37.        [ 0,  0,  0,  0, 19],
  38.        [ 0,  0,  0,  0,  0]], dtype=int64)

tril（m， k）用法

tril（m， k）取矩阵的下三角阵

  1. lower_triangle = np.tril(data, 0)
  2. lower_triangle
  3. lower_triangle = np.tril(data, -1)
  4. lower_triangle
  5. lower_triangle = np.tril(data, 1)
  6. lower_triangle
  1. array([[ 0,  0,  0,  0,  0],
  2.        [ 5,  6,  0,  0,  0],
  3.        [10, 11, 12,  0,  0],
  4.        [15, 16, 17, 18,  0],
  5.        [20, 21, 22, 23, 24]], dtype=int64)
  12. array([[ 0,  0,  0,  0,  0],
  13.        [ 5,  0,  0,  0,  0],
  14.        [10, 11,  0,  0,  0],
  15.        [15, 16, 17,  0,  0],
  16.        [20, 21, 22, 23,  0]], dtype=int64)
  23. array([[ 0,  1,  0,  0,  0],
  24.        [ 5,  6,  7,  0,  0],
  25.        [10, 11, 12, 13,  0],
  26.        [15, 16, 17, 18, 19],
  27.        [20, 21, 22, 23, 24]], dtype=int64)
  1. a=np.triu(np.ones((1, 10, 10)), k=1)
  2. a
  1. array([[[0., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
  2.         [0., 0., 1., 1., 1., 1., 1., 1., 1., 1.],
  3.         [0., 0., 0., 1., 1., 1., 1., 1., 1., 1.],
  4.         [0., 0., 0., 0., 1., 1., 1., 1., 1., 1.],
  5.         [0., 0., 0., 0., 0., 1., 1., 1., 1., 1.],
  6.         [0., 0., 0., 0., 0., 0., 1., 1., 1., 1.],
  7.         [0., 0., 0., 0., 0., 0., 0., 1., 1., 1.],
  8.         [0., 0., 0., 0., 0., 0., 0., 0., 1., 1.],
  9.         [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],
  10.         [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]]])