NOTE

常用python代码

/ python

常用python代码

1. numpy array、torch tensor和Image之间相互转换

（1）numpy array与Image之间互相转换

from PIL import Image  
import numpy as np
im = Image.open("a.jpg")

img = np.array(im)      # image to numpy array
im=Image.fromarray(img) # numpy array to image

（2）numpy array与torch tensor之间互相转换

import torch
import numpy as np
a = torch.ones(5)
b = a.numpy()			# torch tensor to numpy array
a = torch.from_numpy(b)  # numpy array to torch tensor
# 转换后的tensor与numpy array指向同一地址，对一方值的改变会改变另一方

（3）torch tensor与Image之间互相转换

from PIL import Image
import torch
import torchvision.transforms as transforms

path_img = "./1.bmp"
img_pil = Image.open(path_img).convert('RGB')
img_tensor = transforms.Compose([
    # transforms.Resize((224, 224)),
    transforms.ToTensor(),  # Image to torch tensor
    # transforms.Normalize(norm_mean, norm_std),
])(img_pil)

img = transforms.ToPILImage()(img_tensor)
# torch tensor to Image

2. numpy array与list之间的转换

import numpy as np
a = [[1.0, 2.0], [2.0, 1.0]] # list a
b = np.asarray(a) 			# list to numpy array
c = b.tolist()			    # numpy array to list

numpy array与list的区别：

存放的数据类型是否需要相同。numpy array存放的数据类型需要相同，list不需要相同。 

import numpy as np
a = ['a','b','c','1','2','3']
b = np.array([1,2,3,4,5,6])

3. numpy的sum()函数

当sum()不传参数时，表示所有元素的总和。

axis: 表示相加的不同维度。

参数axis的值可以选取0、1和2，分别是从最外层向内层剥开计算，减少维度。

参数axis的值可以选取-3、-2和-1，分别是从最内层向外剥开开计算，减少维度。

如下图，numpy的sum()函数使用实例。

image 1

keepdims: 表示是否保持矩阵二维特性。

array([[1],[2]])
array([1,2])

4. np.linalg.norm()函数

linalg = linear + algebra 线性代数

norm 范数

import numpy as np
x_norm = np.linalg.norm(x, ord=None, axis=None, Keepdims=False)

x: 表示输入数据。可以为向量或者矩阵。

ord: 表示范数类型。

ord 范数类型 计算公式
None 二范数（默认） $\sqrt{x_1^2+x_2^2+…+x_n^2}$
1 一范数 $|x_1|+|x_2|+…+|x_n|$
2 二范数 $\sqrt{x_1^2+x_2^2+…+x_2^2}$
np.inf 无穷范数 $max(|x_i|)$

axis: 表示从不同维度处理。

keepdims: 表示是否保持矩阵二维特性。

# python# numpy# PIL# torch