小张的2021.10.06学习记录
主要完成阅读AGGCN代码及运行
numpy.random.seed()方法
numpy.random.seed(num)：如果使用相同的num，则每次生成的随机数都相同。numpy.random.seed()函数可使得随机数具有预见性，即当参数相同时使得每次生成的随机数相同；当参数不同或者无参数时，作用与numpy.random.rand()函数相同，即多次生成随机数且每次生成的随机数都不同。
Python time.time()用法
表示时间
Python中用json.load() json.loads()加载json数据的方法
json.load()是用来读取文件的，即，将文件打开然后就可以直接读取。
with open(“文件名”) as f:
result=json.load(f)
json.loads()是用来读取字符串的，即，可以把文件打开，用readline()读取一行，然后json.loads()一行。
with open(“文件名”) as f:
line=f.readline():
result=json.loads(line)
Python list函数
list()函数是Python的内置函数。它可以将任何可迭代数据转换为列表类型，并返回转换后的列表。当参数为空时，list函数可以创建一个空列表。
np.load()&np.save()
np.load和np.save是读写磁盘数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。注：保存为Numpy专用的二进制格式后，就不能用notepad++等打开看了（乱码）。因此这种方式建议在不需要看保存文件内容的情况下使用。
numpy.random.shuffle打乱顺序函数
多维矩阵中，只对第一维（行）做打乱顺序操作
Python中 pickle 模块的 dump() 和 load() 方法详解
Python中的 pickle 模块实现了基本的数据序列与反序列化。
序列化对象可以在磁盘上保存对象，并在需要的时候读取出来。
任何对象都可以执行序列化操作。
pickle.dump(obj, file, protocol)
注释：
obj——序列化对象，将对象obj保存到文件file中去；
file——file表示保存到的类文件对象，file必须有write()接口，file可以是一个以’w’打开的文件或者是一个StringIO对象，也可以是任何可以实现write()接口的对象；
protocol——序列化模式，默认是 0（ASCII协议，表示以文本的形式进行序列化），protocol的值还可以是1和2（1和2表示以二进制的形式进行序列化。其中，1是老式的二进制协议；2是新二进制协议）。
pickle.load(file)
注释：
反序列化对象，将文件中的数据解析为一个python对象。
file中有read()接口和 readline() 接口
python之parser.add_argument()用法——命令行选项、参数和子命令解析器
argparse 模块是 Python 内置的一个用于命令项选项与参数解析的模块，argparse 模块可以让人轻松编写用户友好的命令行接口。通过在程序中定义好我们需要的参数，然后 argparse 将会从 sys.argv 解析出这些参数。argparse 模块还会自动生成帮助和使用手册，并在用户给程序传入无效参数时报出错误信息。
三个步骤：
1、创建一个解析器——创建 ArgumentParser() 对象
parser = argparse.ArgumentParser(description=‘test’) 大多数对 ArgumentParser 构造方法的调用都会使用 description= 关键字参数。这个参数简要描述这个程度做什么以及怎么做。在帮助消息中，这个描述会显示在命令行用法字符串和各种参数的帮助消息之间。
2、添加参数——调用 add_argument() 方法添加参数
add_argument() 方法定义如何解析命令行参数
ArgumentParser.add_argument(name or flags…[, action][, nargs][, const][, default][, type][, choices][, required][, help][, metavar][, dest])
每个参数解释如下:
name or flags - 选项字符串的名字或者列表，例如 foo 或者 -f, --foo。
action - 命令行遇到参数时的动作，默认值是 store。
store_const，表示赋值为const；
append，将遇到的值存储成列表，也就是如果参数重复则会保存多个值;
append_const，将参数规范中定义的一个值保存到一个列表；
count，存储遇到的次数；此外，也可以继承 argparse.Action 自定义参数解析；
nargs - 应该读取的命令行参数个数，可以是具体的数字，或者是?号，当不指定值时对于 Positional argument 使用 default，对于 Optional argument 使用 const；或者是 * 号，表示 0 或多个参数；或者是 + 号表示 1 或多个参数。
const - action 和 nargs 所需要的常量值。
default - 不指定参数时的默认值。
type - 命令行参数应该被转换成的类型。
choices - 参数可允许的值的一个容器。
required - 可选参数是否可以省略 (仅针对可选参数)。
help - 参数的帮助信息，当指定为 argparse.SUPPRESS 时表示不显示该参数的帮助信息.
metavar - 在 usage 说明中的参数名称，对于必选参数默认就是参数名称，对于可选参数默认是全大写的参数名称.
dest - 解析后的参数名称，默认情况下，对于可选参数选取最长的名称，中划线转换为下划线.
3、解析参数——使用 parse_args() 解析添加的参数
args = parser.parse_args()
Pytorch中的nn.Embedding()
一个简单的查找表（lookup table），存储固定字典和大小的词嵌入。
此模块通常用于存储单词嵌入并使用索引检索它们(类似数组)。模块的输入是一个索引列表，输出是相应的词嵌入。
参数：
num_embeddings - 词嵌入字典大小，即一个字典里要有多少个词。
embedding_dim - 每个词嵌入向量的大小。
变量：
~Embedding.weight（Tensor）–形状模块（num_embeddings，Embedding_dim）的可学习权重，初始化自（0，1）。
也就是说，pytorch的nn.Embedding()是可以自动学习每个词向量对应的w权重的。
pytorch torch.from_numpy
功能说明：从numpy数组创建一个张量，数组和张量共享相同内存．
字典get()方法
Python 字典(Dictionary) get() 函数返回指定键的值，如果值不在字典中返回默认值。
torch.nn.LSTM()详解
输入的参数列表包括:
input_size 输入数据的特征维数，通常就是embedding_dim(词向量的维度)
hidden_size LSTM中隐层的维度
num_layers 循环神经网络的层数
bias 用不用偏置，default=True
batch_first 这个要注意，通常我们输入的数据shape=(batch_size,seq_length,embedding_dim),而batch_first默认是False,所以我们的输入数据最好送进LSTM之前将batch_size与seq_length这两个维度调换
dropout 默认是0，代表不用dropout
bidirectional默认是false，代表不用双向LSTM
Python中//符号是什么意思
a//b，应该是对除以b的结果向负无穷方向取整后的数
举例：
5//2=2（2.5向负无穷方向取整为2），同时-5//2=-3（-2.5向负无穷方向取整为-3）
Pytorch使用 nn.ModuleList() 和nn.Sequential()编写神经网络模型
ModuleList 可以存储多个 model，传统的方法，一个model 就要写一个 forward ，但是如果将它们存到一个 ModuleList 的话，就可以使用一个 forward。
ModuleList是Module的子类，当在Module中使用它的时候，就能自动识别为子module。
当添加 nn.ModuleList 作为 nn.Module 对象的一个成员时（即当我们添加模块到我们的网络时），所有 nn.ModuleList 内部的 nn.Module 的 parameter 也被添加作为 我们的网络的 parameter。
使用 ModuleList 也可以使得网络的结构具有灵活性，比如我需要将网络的层数设置为变量，传统的方法要借助 list 实现，并且不方便，而使用 ModuleList就可以简化这个操作
原文链接：https://blog.csdn.net/qq_38863413/article/details/104118055
|