Collection的類Counter（）

參考：collections模塊—— Counter

from collections import Counter c = Counter('gallahad') print(c['l']) 輸出：2

collections之Counter對象的update方法

參考：collections之Counter對象的update方法
構造一個 Counter對象

""" 構造一個空 Counter 對象 """ # c = Counter() # a new, empty counter""" 三種構造非空 Counter 對象的方法，返回結果的順序與輸入順序相同 """ # 1、a new counter from an iterable # c = Counter('bccabc') # Counter({'b': 2, 'c': 3, 'a': 1}) # 2、a new counter from a mapping # c = Counter({'a': 1, 'b': 2, 'c': 3}) # Counter({'a': 1, 'b': 2, 'c': 3}) # 3、a new counter from keyword args c = Counter(a=1, b=2, c=3) # Counter({'a': 1, 'b': 2, 'c': 3})

執行 update 方法：update([iterable-or-mapping])

""" update 后的參數可以是：可迭代對象 或者 映射 操作原理：如果要更新的關鍵字已存在，則對它的值進行求和；如果不存在，則添加 """ # 1、可迭代對象：字符串 c.update("baaac") c # Out[118]: Counter({'a': 4, 'b': 3, 'c': 4})# 2、映射：字典 c.update({"d":-2, c['a']:-1}) # 因為 a=4, 所以結果中顯示 4: -1 c # Out[128]: Counter({'a': 4, 'b': 3, 'c': 4, 'd': -2, 4: -1})# 3、映射：字典的另一種表現形式 c.update(d=3, a=-1) c # Out[130]: Counter({'a': 3, 'b': 3, 'c': 4, 'd': 1, 4: -1}) from collections import Counter c = Counter('gallahad') print(c) print(c['l']) c.update(['a','v','p','l','k','j']) print(c)

輸出

Counter({'a': 3, 'l': 2, 'g': 1, 'h': 1, 'd': 1}) 2 Counter({'a': 4, 'l': 3, 'g': 1, 'h': 1, 'd': 1, 'v': 1, 'p': 1, 'k': 1, 'j': 1})

文件：dataset_flickr8k.json的格式

這是一個json文件，里面只有兩個鍵，如下

{"images": [{***},{***},{***},...,{***}], "dataset": "flickr8k"}

一共有8000個，這個數是看"imgid"的值的，"imgid"從0到7999，代表每張圖片。
1個{***}里面的內容是

{"sentids": [0, 1, 2, 3, 4],"imgid": 0, "sentences": [{￥￥￥},{￥￥￥},{￥￥￥},{￥￥￥},{￥￥￥}],"split": "train","filename": "2513260012_03d33305cf.jpg" }

1個{￥￥￥}里面的內容是

{"tokens": ["a", "black", "dog", "is", "running", "after", "a", "white", "dog", "in", "the", "snow"],"raw": "A black dog is running after a white dog in the snow .","imgid": 0,"sentid": 0}, {"tokens": ["black", "dog", "chasing", "brown", "dog", "through", "snow"],"raw": "Black dog chasing brown dog through snow","imgid": 0,"sentid": 1}, {"tokens": ["two", "dogs", "chase", "each", "other", "across", "the", "snowy", "ground"],"raw": "Two dogs chase each other across the snowy ground .","imgid": 0,"sentid": 2}, {"tokens": ["two", "dogs", "play", "together", "in", "the", "snow"],"raw": "Two dogs play together in the snow .","imgid": 0,"sentid": 3}, {"tokens": ["two", "dogs", "running", "through", "a", "low", "lying", "body", "of", "water"],"raw": "Two dogs running through a low lying body of water .","imgid": 0,"sentid": 4}

一共有5個，代表每張圖片有5句描述。

python中的enumerate（）索引在前，元素在后

words = ['a','v','p','l','k','j'] word_map = {k: v + 1 for v, k in enumerate(words)} print(word_map)for v, k in enumerate(words):print(v,k)

輸出

{'a': 1, 'v': 2, 'p': 3, 'l': 4, 'k': 5, 'j': 6} 0 a 1 v 2 p 3 l 4 k 5 j

Python-json.dumps()和dump()、json.loads()和load()的區別

參考：Python-json.dumps()和dump()、json.loads()和load()的區別
主要區別：
1、dump(),load() 處理的是json文件
2、dumps(),loads() 處理的是字符串

1、json.dumps()是將字典類型轉化成字符串類型

dic = {'code':0,'msg':'success','agentid':'1000021','state':'fpp_unify_auth'} str = json.dumps(dic) print(type(str)) print(str)

運行結果：

<class 'str'> {"code": 0, "msg": "success", "agentid": "1000021", "state": "fpp_unify_auth"}

2、json.loads()將字符串類型轉化成字典類型

dic = {'code':0,'msg':'success','agentid':'1000021','state':'fpp_unify_auth'} strs = json.dumps(dic) dics = json.loads(strs) print(type(dics)) print(dics)

運行結果：

<class 'dict'> {'code': 0, 'msg': 'success', 'agentid': '1000021', 'state': 'fpp_unify_auth'}

3、json.dump()用于將dict類型的數據轉成str，并寫入到json文件中

dic = {'code':0,'msg':'success','agentid':'1000021','state':'fpp_unify_auth'} json_filename = 'test_json.json' json.dump(dic, open(json_filename, "w"))

運行結果：

生成test_json.json文件，并寫入內容{"code": 0, "msg": "success", "agentid": "1000021", "state": "fpp_unify_auth"}

4、json.load()用于從json文件中讀取數據

json_filename = 'test_json.json' js = json.load(open(json_filename)) print(type(js)) print(js)

運行結果：

<class 'dict'> {'code': 0, 'msg': 'success', 'agentid': '1000021', 'state': 'fpp_unify_auth'}

for循環

train_image_paths = [] train_image_captions = []val_image_paths = [] val_image_captions = []test_image_paths = [] test_image_captions = []for impaths, imcaps, split in [(train_image_paths, train_image_captions, 'TRAIN'),(val_image_paths, val_image_captions, 'VAL'),(test_image_paths, test_image_captions, 'TEST')]:print(impaths, imcaps, split)

輸出結果：

[] [] TRAIN [] [] VAL [] [] TEST

這樣輸出的結果解釋：本質還是對列表進行循環，不能被三個變量給嚇住了，每循環列表中的一個元素，這三個變量就會進行相應的對應，這樣就會得到相應的值。

python庫 h5py入門講解

參考：python庫——h5py入門講解
h5py簡單介紹
h5py文件是存放兩類對象的容器，數據集(dataset)和組(group)，dataset類似數組類的數據集合，和numpy的數組差不多。group是像文件夾一樣的容器，它好比python中的字典，有鍵(key)和值(value)。group中可以存放dataset或者其他的group?！辨I”就是組成員的名稱，”值”就是組成員對象本身(組或者數據集)
圖片參考：h5py 必知–String存儲

random.choice()

是從序列中獲取一個隨機元素,參考：python：random.choice()方法

import random print(random.choice("I am very help"))

輸出結果：

o

tqdm進度條 在pytorch中的使用

參考：tqdm進度條 在pytorch中的使用
引入該模塊：

from tqdm import tqdm

tqdm可用于所有可迭代對象，所以可以直接用在dataloader上，如下：

for data, target in tqdm(train_loader): ...

效果：

100%|██████████| 1000/1000 [00:27<00:00, 35.91it/s]

tqdm用在dataloader上其實是對每個batch和batch總數做的進度條。

采樣

參考：py001- random中sample()函數的用法
sample(list, k)返回一個長度為k新列表，新列表存放list所產生k個隨機唯一的元素
函數用法實例：

import randomlist = [1, 2, 3] print(random.sample(list ,2))list = ["china","python","sky"] print(random.sample(list ,2))list = range(1, 10000) print(random.sample(list ,5))

輸出：

[1, 2] ['python', 'sky'] [6912, 1869, 5991, 721, 3388]

運行

from random import sample imcaps = [["a", "black", "dog", "is", "running", "after", "a", "white", "dog", "in", "the", "snow"],["black", "dog", "chasing", "brown", "dog", "through", "snow"],["two", "dogs", "chase", "each", "other", "across", "the", "snowy", "ground"],["two", "dogs", "play", "together", "in", "the", "snow"],["two", "dogs", "running", "through", "a", "low", "lying", "body", "of", "water"]] captions = sample(imcaps , k=5) print(captions)

輸出結果

[['two', 'dogs', 'play', 'together', 'in', 'the', 'snow'], ['a', 'black', 'dog', 'is', 'running', 'after', 'a', 'white', 'dog', 'in', 'the', 'snow'], ['two', 'dogs', 'running', 'through', 'a', 'low', 'lying', 'body', 'of', 'water'], ['black', 'dog', 'chasing', 'brown', 'dog', 'through', 'snow'], ['two', 'dogs', 'chase', 'each', 'other', 'across', 'the', 'snowy', 'ground']]

讀取圖片

from imageio import imread img = imread(r'C:\Users\***\Desktop\20210617173058874.png') print(img.shape) print(len(img.shape))

輸出

(1134, 1143, 4) 3

參考：OpenCV學習筆記（7）圖像的通道（channels）問題
通道數
整理一下OpenCV中文論壇里關于圖像通道的問題，如下：

（1）圖像的通道指的是什么？是不是灰度圖的通道數為1，彩色圖的通道為3？（zhuker）

正確！
基本上，描述一個像素點，如果是灰度，那么只需要一個數值來描述它，就是單通道。
如果一個像素點，有RGB三種顏色來描述它，就是三通道。（ollydbg23）

（2）對于2通道和4通道如何看待？哪位幫忙解釋一下？（feixue）

我見過四通道的，兩通道暫時沒見過，估計只是編程的方便吧。windows的bmp有時候是一個四通道圖像，R、G、B加上一個A通道，表示透明度。（eralvc）

是的，最后這個，一般叫做alpha通道，表示透明度的。（ollydbg23）

4通道通常為RGBA，在某些處理中可能會用到。
2通道圖像不常見，通常在程序處理中會用到，如傅里葉變換，可能會用到，一個通道為實數，一個通道為虛數，主要是編程方便。
還有一種情況就是16位圖像，本來是3通道，但是為了減少數據量，壓縮為16位，剛好兩個通道，常見格式有RGB555或RGB565，也就是說R占5位，G占5或6位，B占5位，也有RGBA5551格式。古老的格式，不用也罷。（Loren）

主要是有些攝像頭常采用一些比較“古怪”的格式，沒辦法。
補充一種情況，目前常見的一些攝像頭喜歡采用YUV2等格式，格式如下YUYV，在處理的時候可以用4通道或者2通道來處理。
如原格式為：Y1UY2V，插值成為Y1UV，Y2UV 就成兩個彩色點了。
YCrCb也有類似壓縮情況。（Loren）

于np.newaxis的一點理解

import numpy as np a = np.arange(0, 10) print(a) print(a.shape) [0 1 2 3 4 5 6 7 8 9] (10,)

那么我如何才能將其轉化為shape=(1,10)呢
可以用兩種方法：

1.使用shape

import numpy as np a = np.arange(0, 10) print(a) a.shape=(10,1) print(a) [0 1 2 3 4 5 6 7 8 9] [[0][1][2][3][4][5][6][7][8][9]]

2. 使用np.newaxis

import numpy as np a = np.arange(0, 10) print(a) a = a[:,np.newaxis] print(a)

結果如下：

[0 1 2 3 4 5 6 7 8 9] [[0][1][2][3][4][5][6][7][8][9]]

Numpy中numpy.concatenate()函數

參考：
1、Numpy中numpy.concatenate()函數、numpy.delete()函數、numpy.mean()函數參數axis=0與axis=1的區分

參數axis=0,1,2

2、Python學習筆記——參數axis=0,1,2…

scipy.misc.imresize

參考：
1、python–scipy.misc.imresize()函數
2、scipy筆記—scipy.misc.imresize用法(方便訓練圖像數據)
3、scipy.misc.imresize改變圖像的大小
重新設置圖像像素

Numpy中transpose()函數的可視化理解

參考：Numpy中transpose()函數的可視化理解

cudnn.benchmark = True？是什么意思

參考：cudnn.benchmark = True？是什么意思

總結

以上是生活随笔為你收集整理的Show Attend and Tell的实现代码中的python知识学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。