服务器杂记_iter(test_iter).next()

6. python可以定义class，而且不一定要有初始化函数init
7. nn.Module是所有神经网络的基类，任何pytorch模型都应该继承于它
8. 上游/下游任务：上游任务指对数据做预处理，如：分词、过滤、生成词向量等，上游任务的结果作为下游任务的输入；下游任务是你在什么数据集上干的什么事，比如做分类任务，问答任务
9. lamuda是匿名函数，可快速实现功能
10. *args是所有的参数列表，**kwargs是所有的变量参数字典
11. linux服务器上plt.show()是不会显示图片的，可以在import plt之前加入
    import matplotlib as mpl mpl.use('Agg')
    然后用plt.savefig("test1_1.png") 保存为图片
12. random.shuffle()用于将一个列表中的元素打乱顺序，值得注意的是使用这个方法不会生成新的列表，只是将原列表的次序打乱
13. range(num)产生的是0到num-1的整数列表；range(start, stop[, step])的区间是[start,stop]，步长是step
14. pytorch里的tensor是多维数组，longtensor就是64位整数的多维数组
15. python里a[1：3]就是输出a[1]和a[2]
16. 矩阵MXN就是M行N列，是没有维数的。而数据维数的。
17. 带yield的函数是个生成器，有个blog写的挺好的，详情见yield说明
18. super(Net, self).init()就是Net类先调用一下Net类的父类的初始化函数
19. nn.Linear(输入的个数，输出的个数，是否使用偏置) 就是做线性变换
20. 可以用nn.Sequential来更加方便地搭建网络，Sequential是一个有序的容器，网络层将按照在传入Sequential的顺序依次被添加到网络中

# 写法一
net = nn.Sequential(
    nn.Linear(num_inputs, 1)
    # 此处还可以传入其他层
    )
# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......
# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
          ('linear', nn.Linear(num_inputs, 1))
          # ......
        ]))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

20. 定义优化算法

# 统一顶一个学习率
optimizer = optim.SGD(net.parameters(), lr=0.03)
# 对每个层都定义一个学习率
optimizer =optim.SGD([
                # 如果对某个参数不指定学习率，就使用最外层的默认学习率
                {'params': net.subnet1.parameters()}, # lr=0.03
                {'params': net.subnet2.parameters(), 'lr': 0.01}
            ], lr=0.03)
1
2
3
4
5
6
7
8

21. pytorch中view的用法传送门
22. plt的plot讲x和y对应起来,并绘图。plot是绘制折线图，scatter是散点图，bar是条形图，barh就会让柱状图横过来，hist是统计直方图，用法和参数都一样。
23. python里[]是列表，（）是元组，{}是字典
24. numpy.array好像是个数组，这里的arange就是array(range())
    type就是array的类型，array.dtype就是里面数据的类型。
    numpy里取几位小数就是array.round(几位)
25. numpy数组的维数，一般不会超过三维
26. numpy的二维数组相加减乘除都是对应位置的数值进行加减乘除，如果形状不统一，则是小的数组一行一行或者一列列拿到大的数组里去计算。
27. np的随机方法
28. np中常见的统计函数
29. pandas就是在np的基础上帮助处理非数值型的数据（np主要是针对数值型数据）。
30. series是带索引的一维数组，dataframe是二维数组，是series容器。dataframe的行叫Index，列叫columns
31. df的一些属性和函数
32. df取行或者列的注意事项
33. 服务器里可以更换python的版本，也就是类似conda install python=3.8.8
34. python if里的变量在外部可见
35. torch.init.normal_：给tensor初始化，一般是给网络中参数weight初始化，初始化参数值符合正态分布;torch.init.constant_:初始化参数使其为常值，即每个参数值都相同。一般是给网络中bias进行初始化
36. iter(test_iter).next()就是迭代器的下一个项目
37. python的print函数的正确写法
    print('epoch: %d, test_ acc: %.5f, train_l： %.5f, train_acc: %.5f' % (i + 1, test_acc_sum / n, train_l_sum / n, train_acc_sum / n))
38. assert是断言，满足条件则继续，否则报错
39. torch.matmul是高维的矩阵乘法
40. isinstance判断两类是不是一种类型，而且子类也是父类的一种类型
41. 如果用dropout时，在测试经度的时候要关掉dropout的功能，这一块的代码如下，感觉挺重要的：
    # 本函数已保存在d2lzh_pytorch def evaluate_accuracy(data_iter, net): acc_sum, n = 0.0, 0 for X, y in data_iter: if isinstance(net, torch.nn.Module): #如果net是继承nn.Moudel net.eval() # 评估模式, 这会关闭dropout acc_sum += (net(X).argmax(dim=1) == y).float().sum().item() net.train() # 改回训练模式 else: # 如果net是自定义的模型 if('is_training' in net.__code__.co_varnames): # 如果有is_training这个参数 # 将is_training设置成False acc_sum += (net(X, is_training=False).argmax(dim=1) == y).float().sum().item() else: acc_sum += (net(X).argmax(dim=1) == y).float().sum().item() n += y.shape[0] return acc_sum / n
42. enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列
43. GC含量愈高，DNA的密度也愈高，同时热及碱不易使之变性，因此利用这一特性便可进行DNA的分离或测定。Bio.SeqUtils.GC() 函数时会自动处理序列和可代表G或者C的歧意核苷酸 字母S混合的情况，如GC(my_seq)。
44. python里[m::n]其中m是开始取的位置，n是步长。
45. Biopython里的%s是字符串。
46. str.join(sequence)将序列sequence中的元素以指定的字符str连接生成一个新的字符串
47. BioPython里complement()和reverse_complement()很容易得到seq的互补序列和反向互补队列
48. Biopython里的transcribe()是从编码链转录mRNA。back_transcribe()是从mRNA逆转录为DNA编码链。
49. 可以由 coding_dna.translate(table=2, to_stop=True)将mRNA和DNA翻译成蛋白质，这个table是选择选择翻译表的，to_stop=True则可以翻译到第一个终止密码子就结束，否则全部翻译且用*分开。
50. python代码过长可以用（）或者 \ 分行
51. condon是密码子的意思。
52. Biopython里的seq对象都是只读的，如果想要可写，则要变成MutableSeq（mutable可变）对象。
53. 终于明白为什么要用flatten层了，比如最开始输入的时候，为了把数据展开成一维，就可以变成向量输入了，降低维度。
54. 以及softmax函数是平滑归一化指数函数，为了找出最大的那个数。
55. json.dumps将一个Python数据结构转换为JSON
56. re.compile ()是用来优化正则的，它将正则表达式转化为对象
57. Path.mkdir用于创建文件夹
58. 自定义tf.keras.callbacks.Callback：https://blog.csdn.net/frostime/article/details/105083151
59. tf.reduce_mean是tf中算期望和均值的函数，可见blog
60. nvidia-smi可以查看显存使用情况
61. CUDA_VISIBLE_DEVICES=0 python train.py可以指定GPU跑代码
62. tf按需分配内存超链接
63. 运行代码可以翻页查看结果：python train.py | less，按上下键即可翻页，按q可退出
64. 没有tf.log，只有tf.math.log
65. tf里的计算，矩阵计算就得矩阵
66. tf.reduce_mean不设置axis默认把所有数据求平均
67. 导入上下级的包只需要在对应目录添加_init_.py空文件，自动识别为包
68. python -m xx.xx.xxx命令，自动识别为模块并运行，后缀不能添加py