pytorch基础学习（2）concatenate,np.bincount,from_numpy,torch.sum

concatenate

def concatenate(arrays, axis=None, out=None)

#使用实例
concatenate((a1, a2, ...), axis=0, out=None)
1
2
3
4

沿现有轴连接一系列阵列。
参数：

• a1，a2，…：array_like序列

数组必须具有相同的形状，维度除外
对应于“轴”（默认为第一个）。

• axis：整数，可选

矩阵将沿其连接的轴。如果轴为无，矩阵将在使用前被展平。axis默认值为0。

• 输出：ndarray，可选

如果提供，则为放置结果的目的地。形状必须正确，与未指定out参数时连接将返回的形状匹配。

np.bincount

def bincount(x, weights=None, minlength=None)
1

计数非负整数数组中每个值的出现次数。说人话就是统计出一个列表的各个元素的出现次数

参数

• x:array_like，一维，非负整数
  因为输入矩阵必须是一维的，这就是为什么在yolov5计数标签之前需要先将标签在水平方向拼接起来

	#将标签信息在水平方向上拼接起来
    labels = np.concatenate(labels, 0)  # labels.shape = (866643, 5) for COCO
    #label标签里面的维度信息？？
    classes = labels[:, 0].astype(int)  # labels = [class xywh]
    weights = np.bincount(classes, minlength=nc)  # occurrences per class
1
2
3
4
5

• 权重：array_like，可选
  权重，与“x”形状相同的数组。
• minlength:int，可选
  输出阵列的最小长度

输出：整数的ndarray，对输入数组进行计数后的结果，输出的长度等于“np.amax（x）+1”。

from_numpy

torch.from_numpy(ndarray) → Tensor
1

将numpy.ndarray 转换为pytorch的 Tensor。 返回的张量tensor和numpy的ndarray共享同一内存空间。修改一个会导致另外一个也被修改。返回的张量不能改变大小。

torch.sum

torch.sum(input) → float
1

返回输入张量input 所有元素的和。

输出形状与输入相同，除了给定维度上为1.

参数：

• input (Tensor) – 输入张量

torch.sum(input, dim, out=None) → Tensor
1

返回输入张量给定维度上每行的和。 输出形状与输入相同，除了给定维度上为1.

参数：

• input (Tensor) – 输入张量
• dim (int) – 缩减的维度
• out (Tensor, optional) – 结果张量