Numpy
axis=0为列方向
axis=1为行方向
在axis方向上求（压缩哪一个axis）。。。
subplot是水平计数（1，2，3,4，5，6）
b[None,:,None,None]：b本来是一维的，现在可编程4维。
x: Integer array of shape (N, T) giving indices of words，其中每一个元素均有 0 <= idx < V
W: Weight matrix of shape (V, D) giving word vectors for all words.
则W[x]:(N,T,D),x中每一个元素作为W的行索引，得到一个行向量。
>>> a = np.array([1, 2, 3, 4])
>>> b = np.array([1, 2])
>>> np.add.at(a, [0, 1], b) #array([2, 4, 3, 4])
verbose=True才打印
各种相乘：https://blog.csdn.net/zenghaitao0128/article/details/78715140
不能是tuple
np.random.randn(10, 10)
必须是tuple
np.zeros((2,3))【为shape】
可以是tuple，也可以不是
np.reshape()
np.prod： 计算给定axis 的相应向量元素的乘积
imresize(puppy, (img_size, img_size)).transpose((2, 0, 1)) 对于一幅图片，CNN需要的是C*H*W,而imread是H*W*C,则需要对axis顺序进行转换。
np.max：(a, axis=None, out=None, keepdims=False)求序列的最值,最少接收一个参数,axis：默认为列向（也即 axis=0），axis = 1 时为行方向的最值；keepdims若为true这保证了输出结果与输入具有相同的dim
np.maximum：(X, Y, out=None),X 与 Y 逐位比较取其大者；最少接收两个参数
numpy.where(condition[, x, y])。一般使用时，返回的时tuple
numpy.sum 参数keepdims用于：一般地，当输入时二维的时候，结果是二维的而不是一维的。
content_array[:,:,:,::-1]，content_array有4维，前3维不动，第四维元素顺序颠倒
np.linalg.norm(）各种距离
np.bincount(np.array([0, 1, 1, 3, 2, 1, 7]))array([1, 3, 1, 1, 0, 0, 0, 1], dtype=int32) # 分别统计0-7分别出现的次数
X_train_folds = np.array_split(X_train, num_folds)
np.array_split()&np.split():https://blog.csdn.net/m0_37393514/article/details/79537639
np.vstack与np.hstack
plt.scatter([k]*len(accuracies),accuracies)，其中[k]重复len(accuracies)次
np.random.choice(num_training, num_dev,replace=False)
random.randrange(6) 含义为0-5随机选
enumerate()
遍历dict：for k, v in list(data.items()):
np.prod(）所有元素乘积，同时可以设置axis计算某方向上的乘积
np.linspace(-0.1, 0.5,5) 5代表有5个，且结果包含左右边界。结果为array([-0.1 , 0.05, 0.2 , 0.35, 0.5 ])
np.all() 判断所有的元素是否全为true
np.tolist() 与np.array()是互操作
np.array(A),对A进行的复制操作，np.asarray()没有复制操作。
1、range多用作循环，range（0,10）返回一个range对象，如想返回一个list，前面加上list转换；
2、np.arange是numpy模块中的函数，使用前需要先导入此模块，arange(3):返回array类型对象。
【注：range()中的步长不能为小数，但是np.arange()中的步长可以为小数】
3、xrange()也是用作循环，只是xrang(0,10)不返回list，返回xrange对象。每次调用返回其中的一个值。 但是好像xrange现在不能使用了。
返回很大的数的时候或者频繁的需要break时候，xrange性能更好。
np.random.randint(C,size=(N,))
scores[np.arange(num_train), y] ，np.arange(num_train)与y均是数组，则选择出scores的第i行第j列的元素（i，j分别为两数组里面的元素）
/代表浮点数相除，//代表整数相除。
为dict设置默认值：
if configis None: config = {}
config.setdefault('learning_rate',1e-2)
[0.5] *3代表[0.5,0.5,0.5]
lambda函数
f =lambda w: svm_loss_naive(w, X_dev, y_dev,1e2)[0]
在python3中，5/2=0.25,5//2=2
a=np.array([[1,2],[3,4]])
a[0]为 array([1, 2])【第0行】，其实联想一下Java的数组就明白了。
方法1.用List的成员函数sort进行排序，在本地进行排序，不返回副本
方法2.用built-in函数sorted进行排序（从2.4开始），返回副本，原始输入不变
np.clip(255 * img,0.0,255.0).astype(np.uint8) 可对变量的数值范围进行规范。此处还转化为可直接imshow的格式。
svm中展示权重图片
w=best_svm.W[:-1,:]
w=w.reshape((32,32,3,10))
w_min,w_max=np.min(w),np.max(w)
classes = ['plane','car','bird','cat','deer','dog','frog','horse','ship','truck']
for i in range(10):
plt.subplot(2,5,i+1)
wimg=255.0*(w[:,:,:,i].squeeze()-w_min)/(w_max - w_min)
plt.imshow(wimg.astype('uint8'))
plt.axis('off')
plt.title(classes[i])
dW = np.zeros_like(W)
np.zeros((3,2)),里面的（）不能去掉
replace = True 在一次抽取中，抽取的样本可重复出现。
即：np.random.choice(6, 2, replace=True)
可得，array( [4, 4] )
replace = False 再一次抽取中，抽样的样本不可重复出现。
即：np.random.choice(6, 2, replace=True)
a.reshape(N,1):返回一个N*1维的ndarray，并不会改变a的大小。
.resize(shape) ： 与.reshape()功能一致，但修改原数组
exp_sum = np.sum(A,axis=1).reshape(N,1)
A是一个矩阵，则np.sum(A,axis=1)的结果为一个数组（一行，此处仍然想想数组即可理解），但是我需要列向量，此时就需要reshape（N,1）^_^
flags=['multi_index']表示对a进行多重索引。op_flags=['readwrite']表示不仅可以对a进行read（读取），还可以write（写入），
it = np.nditer(x,flags=['multi_index'],op_flags=['readwrite'])
while not it.finished:
ix = it.multi_index
it.iternext()
则每个ix是一个tuple ()，如下图：
在验证net梯度的正确性时，eval_numerical_gradient对net.params[param_name]进行修改时，是直接在net上的修改，所以lambda的参数没有意义，写任何字母均可。
for param_namein grads:
f =lambda WWWW: net.loss(X, y,reg=0.1)[0]
param_grad_num = eval_numerical_gradient(f, net.params[param_name],verbose=False)
im.ndim：输出维度
np.dot(rgb[...,:3], [0.299,0.587,0.144]) 将rgb转化为灰度图像，但是并不理解rgb[...,:3]的意思。
对于dict：
bn_param.get('eps',1e-5)，若不存在eps，则默认为1e-5
config.setdefault('learning_rate',1e-2) 设置默认值
np.logspace(-4,0,20) 代表了1e-4到1e0的等比数列,（包含边界），共20个数。
tf.nn.conv2(padding='VALID'): 长度为ceil(（H-F+1）/S)
tf.nn.conv2(padding='SAME'): 长度为ceil(H/S)
因此padding需要加入的0的行数计算如下：
new_height = new_width = ceil(W / S) （结果向上取整）
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W
根据上式，输入矩阵上方添加的像素数为
pad_top = pad_needed_height // 2 （结果取整）
下方添加的像素数为
pad_down = pad_needed_height - pad_top
pycharm 软件注意事项
1. 我将f1设置为运行当前行和运行选中部分了，但是发现一个问题：该文件引用了另外一个文件B，在文件B中修改了程序，再运行调用B程序，发现竟然不能影响f1的运行结果：发现可能因为python console自动对调用函数进行了优化：发现重复导入同一函数，就不再重新导入，而是采用前一版本的函数，因此，修改程序没有改变其结果。解决方法是，每一次点击f1运行前，都要点击下述按钮（重启）。如果点击运行或者调试，则没有该问题。
RNN
(1). %字符：标记转换说明符的开始
(2). 转换标志：-表示左对齐；+表示在转换值之前要加上正负号；“”（空白字符）表示正数之前保留空格；0表示转换值若位数不够则用0填充
(3). 最小字段宽度：转换后的字符串至少应该具有该值指定的宽度。如果是*，则宽度会从值元组中读出。
(4). 点(.)后跟精度值：如果转换的是实数，精度值就表示出现在小数点后的位数。如果转换的是字符串，那么该数字就表示最大字段宽度。如果是*，那么精度将从元组中读出
(5).字符串格式化转换类型
转换类型 含义
d,i 带符号的十进制整数
o 不带符号的八进制
u 不带符号的十进制
x 不带符号的十六进制（小写）
X 不带符号的十六进制（大写）
e 科学计数法表示的浮点数（小写）
E 科学计数法表示的浮点数（大写）
f,F 十进制浮点数
g 如果指数大于-4或者小于精度值则和e相同，其他情况和f相同
G 如果指数大于-4或者小于精度值则和E相同，其他情况和F相同
C 单字符（接受整数或者单字符字符串）
r 字符串（使用repr转换任意python对象)
s 字符串（使用str转换任意python对象）
>>> pi =3.141592653
>>>print('%10.3f' % pi)#字段宽10，精度3
3.142
>>>print("pi = %.*f" % (3,pi))#用*从后面的元组中读取字段宽度或精度
pi =3.142
>>>print('%010.3f' % pi)#用0填充空白
000003.142
>>>print('%-10.3f' % pi)#左对齐
3.142
>>>print('%+f' % pi)#显示正负号
+3.141593
优雅写
函数参数介绍：
'''
:param train_dir: 训练data所在文件夹
'''
TODO：
# TODO： 巴啦啦
