SwinTransformer代码中出现的代码知识的学习

参考大佬
B站大佬：霹雳吧啦Wz视频：12.2 使用Pytorch搭建Swin-Transformer网络
讲解链接：https://www.bilibili.com/video/BV1yg411K7Yc?spm_id_from=333.999.0.0
他的github：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing
swin_transformer用于做图像分类的任务链接：
https://github.com/Ydjiao/deep-learning-for-image-processing/tree/master/pytorch_classification/swin_transformer
官方代码不支持多尺度训练
官方代码中用于图像检测的代码是支持多尺度训练的

Python图像处理PIL各模块详细介绍

参考：Python图像处理PIL各模块详细介绍

torch.meshgrid（）函数解析

参考：torch.meshgrid（）函数解析
torch.meshgrid（）的功能是生成网格，可以用于生成坐标。函数输入两个数据类型相同的一维张量，两个输出张量的行数为第一个输入张量的元素个数，列数为第二个输入张量的元素个数，当两个输入张量数据类型不同或维度不是一维时会报错。
其中第一个输出张量填充第一个输入张量中的元素，各行元素相同；第二个输出张量填充第二个输入张量中的元素各列元素相同。

# 【1】
import torch
a = torch.tensor([1, 2, 3, 4])
print(a)
b = torch.tensor([4, 5, 6])
print(b)
x, y = torch.meshgrid(a, b)
print(x)
print(y)
结果显示：
tensor([1, 2, 3, 4])
tensor([4, 5, 6])
tensor([[1, 1, 1],[2, 2, 2],[3, 3, 3],[4, 4, 4]])
tensor([[4, 5, 6],[4, 5, 6],[4, 5, 6],[4, 5, 6]])
# 【2】
import torch
a = torch.tensor([1, 2, 3, 4, 5, 6])
print(a)
b = torch.tensor([7, 8, 9, 10])
print(b)
x, y = torch.meshgrid(a, b)
print(x)
print(y)
结果显示：
tensor([1, 2, 3, 4, 5, 6])
tensor([ 7,  8,  9, 10])
tensor([[1, 1, 1, 1],[2, 2, 2, 2],[3, 3, 3, 3],[4, 4, 4, 4],[5, 5, 5, 5],[6, 6, 6, 6]])
tensor([[ 7,  8,  9, 10],[ 7,  8,  9, 10],[ 7,  8,  9, 10],[ 7,  8,  9, 10],[ 7,  8,  9, 10],[ 7,  8,  9, 10]])

pytorch源码分析之torch.utils.data.Dataset类

参考：pytorch源码分析之torch.utils.data.Dataset类和torch.utils.data.DataLoader类
torch.utils.data.Dataset是代表自定义数据集方法的抽象类，你可以自己定义你的数据类继承这个抽象类，非常简单，只需要定义__len__和__getitem__这两个方法就可以。
通过继承torch.utils.data.Dataset的这个抽象类，我们可以定义好我们需要的数据类。当我们通过迭代的方式来取得每一个数据，但是这样很难实现取batch，shuffle或者多线程读取数据，所以pytorch还提供了一个简单的方法来做这件事情，通过torch.utils.data.DataLoader类来定义一个新的迭代器，用来将自定义的数据读取接口的输出或者PyTorch已有的数据读取接口的输入按照batch size封装成Tensor，后续只需要再包装成Variable即可作为模型的输入。
总之，通过torch.utils.data.Dataset和torch.utils.data.DataLoader这两个类，使数据的读取变得非常简单，快捷。

Python-zip()函数

参考：Python-zip()函数
python zip操作
需要注意的是zip(*可迭代对象)这个方法，直接输出的话，是一个zip对象<zip object at 0x000000001806C788>，可以进行for循环查看，直接输出是一个一个的元素。

a = [1, 2, 3]
b = [4, 5, 6]
c = [4, 5, 6, 7, 8]
a_b_zip = zip(a, b)  # 打包为元组的列表,而且元素个数与最短的列表一致
print("type of a_b_zip is %s" % type(a_b_zip))  # 输出zip函数的返回对象类型
#type of a_b_zip is <class 'zip'>a_b_zip = list(a_b_zip)  # 因为zip函数返回一个zip类型对象，所以需要转换为list类型
print(a_b_zip)
#[(1, 4), (2, 5), (3, 6)]a_c_zip = zip(a, c)
a_c_zip = list(a_c_zip)
print(a_c_zip)
#[(1, 4), (2, 5), (3, 6)]nums = [['a1', 'a2', 'a3'], ['b1', 'b2', 'b3'], ['c1', 'c2', 'c3']]
iterator = zip(*nums)  # 参数为list数组时，是压缩数据，相当于zip()函数
print("type of iterator is %s" % type(iterator))  # 输出zip(*zipped)函数返回对象的类型
#type of iterator is <class 'zip'>iterator = list(iterator)  # 因为zip(*zipped)函数返回一个zip类型对象，所以需要转换为list类型
print(iterator)
#[('a1', 'b1', 'c1'), ('a2', 'b2', 'c2'), ('a3', 'b3', 'c3')]print("a_b_zip ：", a_b_zip)
#a_b_zip ： [(1, 4), (2, 5), (3, 6)]print("zip(*a_b_zip) ：", list(zip(*a_b_zip)))
#zip(*a_b_zip) ： [(1, 2, 3), (4, 5, 6)]

torch.stack()

参考：torch.stack()的官方解释，详解以及例子
假如数据都是二维矩阵(平面)，它可以把这些一个个平面按第三维(例如：时间序列)压成一个三维的立方体，而立方体的长度就是时间序列长度。

官方解释：沿着一个新维度对输入张量序列进行连接。序列中所有的张量都应该为相同形状。

浅显说法：把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度进行堆叠。

torch.as_tensor()

参考：pytorch每日一学14(torch.as_tensor())将其它类型转化为tensor

os.path.isdir()函数

参考：os.path.isdir()函数的作用和用法-判断是否为目录

os.path.isfile()函数

参考：os.path.isdir()函数的作用和用法-判断是否为目录

import os
print(os.path.isdir(r'F:\0000技术相关\Numpy学习'))#True
print(os.path.isfile(r'F:\0000技术相关\Numpy学习\numpy的浅拷贝和深拷贝.py'))##True

os.listdir(path)

参考：Python中os.listdir() 函数用法及实例
listdir()语法格式：os.listdir(path)

描述：返回指定路径下的文件和文件夹列表。

path = '../pytorch学习_覃秉丰课程'
filename = os.listdir(path)
print(filename)

输出:

['1.tensor属性介绍.py',
'10.模型保存.py',
'10.载入模型.py',
'2.数据生成.py',
'3.1.基本操作.py',
'3.2基本操作.py',
'4.数据的索引.py',
'5.自动求导.py',
'6.线性回归.py',
'7.非线性回归.py',
'8.mnist数据识别简单程序.py',
'8.mnist数据识别简单程序_交叉熵损失函数.py',
'8.mnist数据识别简单程序_使用Adam优化器.py',
'8.mnist数据识别简单程序无注释版.py',
'9.mnist数据识别简单程序_LSTM.py',
'9.mnist数据识别简单程序_交叉熵损失函数_Dropout.py',
'9.mnist数据识别简单程序_交叉熵损失函数_不用Dropout.py',
'9.mnist数据识别简单程序_交叉熵损失函数_使用L2正则化.py',
'9.mnist数据识别简单程序_卷积神经网络CNN.py',
'MNIST',
'model',
'交叉熵损失函数程序修改.txt',
'使用pytorch对猫狗图片分类',
'相关网络代码的修改及结果比较.xls']

os.path.splitext(path)

参考：[Python] os.path.splitext(“path”)：分离文件名与扩展名
os.path.splitext("path")：分离文件名与扩展名

功能：
输入为"文件路径"，输出为文件名和扩展名的元组(文件名,扩展名)。
最重要的功能是获得文件的扩展名，从而识别文件的格式。

语法：

import osFileName,ExtensionName = os.path.splitext("path")# 当只需要ExtensionName的时候可以这样写：
_,ExtensionName = os.path.splitext("path")

示例：

import os
filenamelist = ['E:\\swin_transformer\\flower_photos\\daisy\\9611923744_013b29e4da_n.jpg', 'E:\\swin_transformer\\flower_photos\\daisy\\9922116524_ab4a2533fe_n.jpg', 'E:\\swin_transformer\\flower_photos\\daisy\\99306615_739eb94b9e_m.jpg']
for term in filenamelist:FileName, ExtensionName  = os.path.splitext(term)print('FileName:',FileName)print('ExtensionName:',ExtensionName)print('-'*25)

输出：

FileName: E:\swin_transformer\flower_photos\daisy\9611923744_013b29e4da_n
ExtensionName: .jpg
-------------------------
FileName: E:\swin_transformer\flower_photos\daisy\9922116524_ab4a2533fe_n
ExtensionName: .jpg
-------------------------
FileName: E:\swin_transformer\flower_photos\daisy\99306615_739eb94b9e_m
ExtensionName: .jpg
-------------------------

random中sample()函数的用法

参考：py001- random中sample()函数的用法
sample(list, k)返回一个长度为k新列表，新列表存放list所产生k个随机唯一的元素

函数用法实例：

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