购买域名和网站,化工课设代做网站,wordpress淘宝推广,平东网站建设Pytorch常用的函数(五)np.meshgrid()和torch.meshgrid()函数解析
我们知道torch.meshgrid()函数的功能是生成网格#xff0c;可以用于生成坐标#xff1b;
在numpy中也有一样的函数np.meshgrid()#xff0c;但是用法不太一样#xff0c;我们直接上代码进行解释。
1、两者…Pytorch常用的函数(五)np.meshgrid()和torch.meshgrid()函数解析
我们知道torch.meshgrid()函数的功能是生成网格可以用于生成坐标
在numpy中也有一样的函数np.meshgrid()但是用法不太一样我们直接上代码进行解释。
1、两者在用法上的区别
比如我要生成下图的xy坐标点看下两者的实现方式 np.meshgrid() import numpy as npw, h 4, 2
# 注意此时输入的是由w和h生成的一维数组
# 此时输出的是网格x的坐标grid_x以及网格y的坐标grid_ygrid_x, grid_y np.meshgrid(np.arange(w), np.arange(h)) grid_x
array([[0, 1, 2, 3], [0, 1, 2, 3]])grid_y
array([[0, 0, 0, 0],[1, 1, 1, 1]])torch.meshgrid() import torch
# 注意此时输入的是由h和w生成的一维数组(和numpy中的输入顺序相反)
# 此时输出的是网格y的坐标grid_y以及网格x的坐标grid_x(和numpy中的输出顺序相反)grid_y, grid_x torch.meshgrid(
... torch.arange(h),
... torch.arange(w)
... )grid_x
tensor([[0, 1, 2, 3],[0, 1, 2, 3]])grid_y
tensor([[0, 0, 0, 0],[1, 1, 1, 1]])2、应用案例
2.1 利用np.meshgrid()来画决策边界
我们可以利用np.meshgrid()来画等高线图
# 等高线图
import numpy as np
import matplotlib.pyplot as plt# 模拟海拔高度
def fz(x, y):z (1 -x / 2 x**5 y**3) * np.exp(-x**2-y**2)return zw np.linspace(-4, 4, 100)
h np.linspace(-2, 2, 100)grid_x, grid_y np.meshgrid(w, h)
z fz(grid_x, grid_y)plt.figure(Contour Chart,facecolorlightgray)
plt.title(contour,fontsize16)
plt.grid(linestyle:)cntr plt.contour(grid_x, # 网格坐标矩阵的x坐标2维数组grid_y, # 网格坐标矩阵的y坐标2维数组z, # 网格坐标矩阵的z坐标2维数组8, # 等高线绘制8部分colors black, # 等高线图颜色linewidths 0.5 # 等高线图线宽
)
# 设置标签
plt.clabel(cntr, inline_spacing 1, fmt%.2f, fontsize10)
# 填充颜色 大的是红色 小的是蓝色
plt.contourf(grid_x, grid_y, z, 8, cmapjet)plt.legend()
plt.show()我们可以利用np.meshgrid()来画决策边界。
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt
import numpy as npfrom sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC# 使用sklearn自带的moon数据
X, y make_moons(n_samples100,noise0.15,random_state42)# 绘制生成的数据
def plot_dataset(X,y,axis):plt.plot(X[:,0][y 0],X[:,1][y 0],bs)plt.plot(X[:,0][y 1],X[:,1][y 1],go)plt.axis(axis)plt.grid(True,whichboth)# 画出决策边界
def plot_pred(clf,axes):w np.linspace(axes[0],axes[1], 100)h np.linspace(axes[2],axes[3], 100)grid_x, grid_y np.meshgrid(w, h)# grid_x 和 grid_y 被拉成一列然后拼接成10000行2列的矩阵表示所有点grid_xy np.c_[grid_x.ravel(), grid_y.ravel()]# 二维点集才可以用来预测y_pred clf.predict(grid_xy).reshape(grid_x.shape)# 等高线plt.contourf(grid_x, grid_y,y_pred,alpha0.2)ploy_kernel_svm_clf Pipeline(steps[(scaler,StandardScaler()),(svm_clf,SVC(kernelpoly, degree3, coef01, C5))]
)ploy_kernel_svm_clf.fit(X,y)plot_pred(ploy_kernel_svm_clf,[-1.5, 2.5, -1, 1.5])
plot_dataset(X, y, [-1.5, 2.5, -1, 1.5])
plt.show()2.2 利用torch.meshgrid()生成网格所有坐标的矩阵
在目标检测YOLO中将图像划分为单元网格的部分就用到了torch.meshgrid()函数。
import torch
import numpy as npdef create_grid(input_size, stride32):# 1、获取原始图像的w和hw, h input_size, input_size# 2、获取经过32倍下采样后的feature mapws, hs w // stride, h // stride# 3、生成网格的y坐标和x坐标grid_y , grid_x torch.meshgrid([torch.arange(hs),torch.arange(ws)])# 4、将grid_x和grid_y进行拼接拼接后的维度为【H, W, 2】grid_xy torch.stack([grid_x, grid_y], dim-1).float()# 【H, W, 2】 - 【HW, 2】grid_xy grid_xy.view(-1, 2)return grid_xyif __name__ __main__:print(create_grid(input_size32*4))# 生成网格所有坐标的矩阵
tensor([[0., 0.],[1., 0.],[2., 0.],[3., 0.],[0., 1.],[1., 1.],[2., 1.],[3., 1.],[0., 2.],[1., 2.],[2., 2.],[3., 2.],[0., 3.],[1., 3.],[2., 3.],[3., 3.]])
