【Python】知识点零碎学习3

defaultdict

defaultdict(list),会构建一个默认value为list的字典;

该值将用作字典中不存在的键的默认值

python 复制代码

d = defaultdict(list)  # 如果 key 不在字典中，则自动插入一个空列表
for s in strs:
   sorted_s = ''.join(sorted(s))  # 把 s 排序，作为哈希表的 key
   d[sorted_s].append(s)  # 排序后相同的字符串分到同一组
return list(d.values())  # 哈希表的 value 保存分组后的结果

combinations

全组合函数combinations(iterable, r)：返回iterable中所有长度为r的子序列，返回的子序列中的项按输入iterable中的顺序排序。

python 复制代码

from itertools import combinations
a=[1,2,3]
list(combinations(a,2))#[(1,2),(1,3),(2,3)]

torch.full

torch.full(size,full_value)：生成一个size大小的，每一个值都是full_value的张量

python 复制代码

torch.full((2, 3), 3.141592)

#tensor([[ 3.1416,  3.1416,  3.1416],
#        [ 3.1416,  3.1416,  3.1416]])

torch.mean

torch.mean(input)：返回input中所有元素的平均值；input要求浮点型或者复数型

torch.mean(input, dim, keep_dim=False)：

dim：在dim这个维度上返回input的平均值；如果dim是一个列表，要求所有这些维度进行规约。

keep_dim默认为False，此时输出张量维度减少len(dim)个；当为True时，输出张量大小与input相同，在dim的维度上为1。

python 复制代码

a = torch.randn(4, 4)
#tensor([[-0.3841,  0.6320,  0.4254, -0.7384],
#        [-0.9644,  1.0131, -0.6549, -1.4279],
#        [-0.2951, -1.3350, -0.7694,  0.5600],
#        [ 1.0842, -0.9580,  0.3623,  0.2343]])
torch.mean(a, 1)
#tensor([-0.0163, -0.5085, -0.4599,  0.1807])
torch.mean(a, 1, True)
#tensor([[-0.0163],
#        [-0.5085],
#        [-0.4599],
#        [ 0.1807]])

rearrange

rearrange(input, pattern: str, **axes_lengths)：重排张量维度，进行维度变换

input：输入张量

pattern：调整规则

axes_lengths：附加的尺寸规格

python 复制代码

images = torch.randn((32,30,40,3))

print(rearrange(images, 'b h w c -> h (b w) c').shape)# (30, 1280, 3)

print(rearrange(images, 'b (h h1) (w w1) c -> (b h1 w1) h w c', h1=2, w1=2).shape)# (128, 15, 20, 3)

torch.clamp

torch,clamp(input, min, max)：将input中的元素都限制在 $min,max$ 之间；若min为none，则没有下界；若max为none，则没有上界。

即y=min(max, max(input,min))

python 复制代码

a = torch.randn(4)
#tensor([-1.7120,  0.1734, -0.0478, -0.0922])
torch.clamp(a, min=-0.5, max=0.5)
#tensor([-0.5000,  0.1734, -0.0478, -0.0922])