深度学习语法笔记（一）——loss.item() -numpy() - unsqueeze() -MSELOSS()

loss.item()

• 1.item（）取出张量具体位置的元素元素值
• 2.并且返回的是该位置元素值的高精度值
• 3.保持原元素类型不变；必须指定位置 一般用在求loss或者accuracy时，使用.item（）

def item_use():
    # 理解：
    # 1.item（）取出张量具体位置的元素元素值
    # 2.并且返回的是该位置元素值的高精度值
    # 3.保持原元素类型不变；必须指定位置
    #  一般用在求loss或者accuracy时，使用.item（）
    import torch
    loss = torch.randn(2, 2)
    print(loss)
    print(loss[1, 1])
    print(loss[1, 1].item())
    # tensor([[-2.0274, -1.5974],
    #         [-1.4775, 1.9320]])
    # tensor(1.9320)
    # 1.9319512844085693
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

numpy()

• 将tensor的数据转化成numpy.array()类型。

unsqueeze()

• 作用：升维度：将指定位置的数据进行升高一个维度。

def unsqueeze_use():
    import torch
    input=torch.arange(0,6)
    print(input)
    print(input.shape)
    print(input.unsqueeze(0))
    print(input.unsqueeze(0).shape)
    print(input.unsqueeze(1))
    print(input.unsqueeze(1).shape)
1
2
3
4
5
6
7
8
9

MSELOSS()

• 均方误差损失函数的计算和使用

def MSELOSS_use():
    import torch
    import numpy as np
    loss_fn = torch.nn.MSELoss(reduce=False, size_average=False)
    a = np.array([[1, 2], [3, 4]])
    b = np.array([[2, 3], [4, 5]])
    input = torch.autograd.Variable(torch.from_numpy(a))
    target = torch.autograd.Variable(torch.from_numpy(b))
    loss = loss_fn(input.float(), target.float())
    print(input.float())
    print(target.float())
    print(loss)
1
2
3
4
5
6
7
8
9
10
11
12