參考大佬
B站大佬：霹靂吧啦Wz視頻：12.2 使用Pytorch搭建Swin-Transformer網絡
講解鏈接：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用于做圖像分類的任務鏈接：
https://github.com/Ydjiao/deep-learning-for-image-processing/tree/master/pytorch_classification/swin_transformer
官方代碼不支持多尺度訓練
官方代碼中用于圖像檢測的代碼是支持多尺度訓練的

Python圖像處理PIL各模塊詳細介紹

參考：Python圖像處理PIL各模塊詳細介紹

torch.meshgrid（）函數解析

參考：torch.meshgrid（）函數解析
torch.meshgrid（）的功能是生成網格，可以用于生成坐標。函數輸入兩個數據類型相同的一維張量，兩個輸出張量的行數為第一個輸入張量的元素個數，列數為第二個輸入張量的元素個數，當兩個輸入張量數據類型不同或維度不是一維時會報錯。
其中第一個輸出張量填充第一個輸入張量中的元素，各行元素相同；第二個輸出張量填充第二個輸入張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) 結果顯示： 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) 結果顯示： 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源碼分析之torch.utils.data.Dataset類

參考：pytorch源碼分析之torch.utils.data.Dataset類和torch.utils.data.DataLoader類
torch.utils.data.Dataset是代表自定義數據集方法的抽象類，你可以自己定義你的數據類繼承這個抽象類，非常簡單，只需要定義__len__和__getitem__這兩個方法就可以。
通過繼承torch.utils.data.Dataset的這個抽象類，我們可以定義好我們需要的數據類。當我們通過迭代的方式來取得每一個數據，但是這樣很難實現(xiàn)取batch，shuffle或者多線程讀取數據，所以pytorch還提供了一個簡單的方法來做這件事情，通過torch.utils.data.DataLoader類來定義一個新的迭代器，用來將自定義的數據讀取接口的輸出或者PyTorch已有的數據讀取接口的輸入按照batch size封裝成Tensor，后續(xù)只需要再包裝成Variable即可作為模型的輸入。
總之，通過torch.utils.data.Dataset和torch.utils.data.DataLoader這兩個類，使數據的讀取變得非常簡單，快捷。

Python-zip()函數

參考：Python-zip()函數
python zip操作
需要注意的是zip(*可迭代對象)這個方法，直接輸出的話，是一個zip對象<zip object at 0x000000001806C788>，可以進行for循環(huán)查看，直接輸出是一個一個的元素。

a = [1, 2, 3] b = [4, 5, 6] c = [4, 5, 6, 7, 8] a_b_zip = zip(a, b) # 打包為元組的列表,而且元素個數與最短的列表一致 print("type of a_b_zip is %s" % type(a_b_zip)) # 輸出zip函數的返回對象類型 #type of a_b_zip is <class 'zip'>a_b_zip = list(a_b_zip) # 因為zip函數返回一個zip類型對象，所以需要轉換為list類型 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) # 參數為list數組時，是壓縮數據，相當于zip()函數 print("type of iterator is %s" % type(iterator)) # 輸出zip(*zipped)函數返回對象的類型 #type of iterator is <class 'zip'>iterator = list(iterator) # 因為zip(*zipped)函數返回一個zip類型對象，所以需要轉換為list類型 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()

參考：torch.stack()的官方解釋，詳解以及例子
假如數據都是二維矩陣(平面)，它可以把這些一個個平面按第三維(例如：時間序列)壓成一個三維的立方體，而立方體的長度就是時間序列長度。

官方解釋：沿著一個新維度對輸入張量序列進行連接。 序列中所有的張量都應該為相同形狀。

淺顯說法：把多個2維的張量湊成一個3維的張量；多個3維的湊成一個4維的張量…以此類推，也就是在增加新的維度進行堆疊。

torch.as_tensor()

參考：pytorch每日一學14(torch.as_tensor())將其它類型轉化為tensor

os.path.isdir()函數

參考：os.path.isdir()函數的作用和用法-判斷是否為目錄

os.path.isfile()函數

參考：os.path.isdir()函數的作用和用法-判斷是否為目錄

import os print(os.path.isdir(r'F:\0000技術相關\Numpy學習'))#True print(os.path.isfile(r'F:\0000技術相關\Numpy學習\numpy的淺拷貝和深拷貝.py'))##True

os.listdir(path)

參考：Python中os.listdir() 函數用法及實例
listdir()語法格式：os.listdir(path)

描述：返回指定路徑下的文件和文件夾列表。

path = '../pytorch學習_覃秉豐課程' filename = os.listdir(path) print(filename)

輸出:

['1.tensor屬性介紹.py', '10.模型保存.py', '10.載入模型.py', '2.數據生成.py', '3.1.基本操作.py', '3.2基本操作.py', '4.數據的索引.py', '5.自動求導.py', '6.線性回歸.py', '7.非線性回歸.py', '8.mnist數據識別簡單程序.py', '8.mnist數據識別簡單程序_交叉熵損失函數.py', '8.mnist數據識別簡單程序_使用Adam優(yōu)化器.py', '8.mnist數據識別簡單程序無注釋版.py', '9.mnist數據識別簡單程序_LSTM.py', '9.mnist數據識別簡單程序_交叉熵損失函數_Dropout.py', '9.mnist數據識別簡單程序_交叉熵損失函數_不用Dropout.py', '9.mnist數據識別簡單程序_交叉熵損失函數_使用L2正則化.py', '9.mnist數據識別簡單程序_卷積神經網絡CNN.py', 'MNIST', 'model', '交叉熵損失函數程序修改.txt', '使用pytorch對貓狗圖片分類', '相關網絡代碼的修改及結果比較.xls']

os.path.splitext(path)

參考：[Python] os.path.splitext(“path”)：分離文件名與擴展名
os.path.splitext("path")：分離文件名與擴展名

功能：
輸入為"文件路徑"，輸出為文件名和擴展名的元組(文件名,擴展名)。
最重要的功能是獲得文件的擴展名，從而識別文件的格式。

語法：

import osFileName,ExtensionName = os.path.splitext("path")# 當只需要ExtensionName的時候可以這樣寫： _,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)

輸出：

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()函數的用法

參考：py001- random中sample()函數的用法
sample(list, k)返回一個長度為k新列表，新列表存放list所產生k個隨機唯一的元素

函數用法實例：

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

總結

以上是生活随笔為你收集整理的SwinTransformer代码中出现的代码知识的学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。