Pytorch常用的函数(五)np.meshgrid()和torch.meshgrid()函数解析

2023-12-23 04:44

本文主要是介绍Pytorch常用的函数(五)np.meshgrid()和torch.meshgrid()函数解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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:

在这里插入图片描述

np.meshgrid()

>>> import numpy as np
>>> w, 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_y
>>> grid_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',facecolor='lightgray')
plt.title('contour',fontsize=16)
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', fontsize=10)
# 填充颜色  大的是红色  小的是蓝色
plt.contourf(grid_x, grid_y, z, 8, cmap='jet')plt.legend()
plt.show()

在这里插入图片描述

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_samples=100,noise=0.15,random_state=42)# 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,which='both')# 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,alpha=0.2)ploy_kernel_svm_clf = Pipeline(steps=[("scaler",StandardScaler()),("svm_clf",SVC(kernel='poly', degree=3, coef0=1, C=5))]
)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()

在这里插入图片描述

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, stride=32):# 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_size=32*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.]])

这篇关于Pytorch常用的函数(五)np.meshgrid()和torch.meshgrid()函数解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/526760

相关文章

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

Springboot @Autowired和@Resource的区别解析

《Springboot@Autowired和@Resource的区别解析》@Resource是JDK提供的注解,只是Spring在实现上提供了这个注解的功能支持,本文给大家介绍Springboot@... 目录【一】定义【1】@Autowired【2】@Resource【二】区别【1】包含的属性不同【2】@

Kotlin 作用域函数apply、let、run、with、also使用指南

《Kotlin作用域函数apply、let、run、with、also使用指南》在Kotlin开发中,作用域函数(ScopeFunctions)是一组能让代码更简洁、更函数式的高阶函数,本文将... 目录一、引言:为什么需要作用域函数?二、作用域函China编程数详解1. apply:对象配置的 “流式构建器”最

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

Linux上设置Ollama服务配置(常用环境变量)

《Linux上设置Ollama服务配置(常用环境变量)》本文主要介绍了Linux上设置Ollama服务配置(常用环境变量),Ollama提供了多种环境变量供配置,如调试模式、模型目录等,下面就来介绍一... 目录在 linux 上设置环境变量配置 OllamPOgxSRJfa手动安装安装特定版本查看日志在

Java常用注解扩展对比举例详解

《Java常用注解扩展对比举例详解》:本文主要介绍Java常用注解扩展对比的相关资料,提供了丰富的代码示例,并总结了最佳实践建议,帮助开发者更好地理解和应用这些注解,需要的朋友可以参考下... 目录一、@Controller 与 @RestController 对比二、使用 @Data 与 不使用 @Dat