Python 基础：
# numpy 将数组打乱顺序
np.random.shuffle(array)
super() 函数是用于调用父类(超类)的一个方法。
super 是用来解决多重继承问题的，直接用类名 调用父类方法在使用单继
class A:
def add(self, x):
y = x+1
print(y)
class B(A):
def add(self, x):
super().add(x)
b = B()
b.add(2) # 3
# 在指定的数值中选择其中之一
epoch = random.choice([100,150,200,250])
# 多值输出
print("in {} path :{}".format(mode, num))
# 随机产生指定范围内的数
random.randint(300,320)
# pytorch格式：4张图片，每张三个通道，每个通道28行28列的像素
a = torch.rand(4, 3, 28, 28)
# 在第一个维度上取后0和1，等同于取第一、第二张图片 == a[:2]
print(a[:2].shape)
# 在第一个维度上取0和1,在第二个维度上取0 == 等同于取第一、第二张图片中的第一个通道:
print(a[:2, :1, :, :].shape)
# 使用step隔行采样, 在第一、第二维度取所有元素，在第三、第四维度隔行采样; 等同于所有图片所有通道的行列每个一行或者一列采样
# 注意：下面的代码不包括28 (包左不包右)
a[:, :, 0:28:2, 0:28:2].shape # 包 左不包 右 :::起终隔
a[:, :, ::2, ::2].shape # 等同于上面语句
PIL 中 image <--> pytorch.tensor 转换
Transform = T.Compose([T.ToTensor()])
Img = Transform(Img)
Transform = T.Compose([T.ToPILImage()])
Img = Transform(Img)
np <--> torch.tensor() 转换
b = a.numpy() #tensor--> numpy
b = torch.from_numpy(a) #numpy-->tensor
b = np.array(a) #矩阵-->numpy
np <--> PIL
image = Image.open(“ponzo.jpg”) # image is a PIL image
array = numpy.array(image) # array is a numpy array PIL--> numpy
image2 = Image.fromarray(array) # image2 is a PIL image numpy-->PIL
map(function, iterable, ...) 会根据提供的函数对指定序列做映射，第一个参数 function 以参数序列中的每一个元素调用 function 函数，
返回包含每次 function 函数返回值的新列表。提供了两个列表，对相同位置的列表数据进行相加
map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10])
# [3, 7, 11, 15, 19]， 前面函数依次调用后面序列中的值
字典：dict
dict(zip(['one', 'two', 'three'],[1, 2, 3])) # 映射函数方式来构造字典
{'three': 3, 'two': 2, 'one': 1}
img = Image.open(path1)
# Image格式图片，H,W不按比例缩放，应用.resize()， 重新定义图片尺寸 256*256
resized = img.resize( (256, 256), Image.ANTIALIAS )
img.save(save_img_path)
统计一个序列list中相同元素个数
get() 函数返回指定键的值，如果值 不在字典中返回 默认值。
dict.get(key, default=None)
dict = {}
for key in imgs_list:
dict[key] = dict.get(key, 0) + 1
在python中调用print时，事实上调用了sys.stdout.write(obj+'\n'), print 将需要的内容打印到控制台，然后追加一个换行符
以下两行代码等价：
sys.stdout.write('hello' + '\n') == print('hello')
sys.stdin与 input
sys.stdin.readline( ) 会将标准输入全部获取，包括末尾的'\n'，因此用len计算长度时是把换行符'\n'算进去了的，但是
input( )获取输入时返回的结果是不包含末尾的换行符'\n'的。
因此如果在平时使用sys.stdin.readline( )获取输入的话，不要忘了去掉末尾的换行符，.strip('\n')
（sys.stdin.readline( ).strip('\n')）或sys.stdin.readline( )[:-1]这两种方法去掉"\n"
__call__
让类的实例的行为表现的像函数一样，你可以调用他们，将一个函数当做一个参数传到另外一个函数中等等。这是一个非常
强大的特性让Python编程更加舒适甜美。
__call__( self, [args...])
允许一个类的实例像函数一样被调用。实质上说，这意味着 x() 与 x.__call__() 是相同的。
注意 __call__ 参数可变。这意味着你可以定义 __call__ 为其他你想要的函数，无论有多少个参数。
class Entity:
'''调用实体来改变实体的位置。'''
def __init__(self, size, x, y):
self.x, self.y = x, y
self.size = size
def __call__(self, x, y):
'''改变实体的位置'''
self.x, self.y = x, y
e = Entity(1, 2, 3) // 创建实例
e(4, 5) //实例可以像函数那样执行，并传入x y值，修改对象的x y
numpy的ravel（）和flatten（）函数比较
功能：两个函数的功能都是将多维数组降为一维。
用法：
arr = np.array([[1, 2],[3, 4]])
arr.flatten()
arr.ravel() # 降维默认行序有限，传入参数‘F’表示列序优先
arr.ravel('F')
区别
ravel（）返回的是视图，意味着改变元素的值会影响原始数组；
flatten（）返回的是拷贝，意味着改变元素的值不会影响原始数组。
Keras中的图像处理工具：
keras.preprocessing.image，其中有一个ImageDataGenerator类，可以帮助我们快速创建Python生成器，将硬盘上的图像文件自动转换为预处理好的张量。
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
这里直接通过ImageDataGenerator来生成一个数据生成器，其中rescale参数指定将图像张量的数字缩放。
ImageDataGenerator()是keras.preprocessing.image模块中的图片生成器，同时也可以在batch中对数据进行增强，扩充数据集大小，增强模型的泛化能力。比如进行旋转，变形等。
参数:
featurewise_center: Boolean. 对输入的图片每个通道减去每个通道对应均值。
samplewise_center: Boolan. 每张图片减去样本均值, 使得每个样本均值为0。
featurewise_std_normalization(): Boolean()
samplewise_std_normalization(): Boolean()
zca_epsilon(): Default 12-6
zca_whitening: Boolean. 去除样本之间的相关性
rotation_range(): 旋转范围
width_shift_range(): 水平平移范围
height_shift_range(): 垂直平移范围
shear_range(): float, 透视变换的范围
zoom_range(): 缩放范围
fill_mode: 填充模式, constant, nearest, reflect
cval: fill_mode == 'constant'的时候填充值
horizontal_flip(): 水平反转
vertical_flip(): 垂直翻转
preprocessing_function(): user提供的处理函数
data_format(): channels_first或者channels_last
validation_split(): 多少数据用于验证集
x = torch.tensor([1, 2, 3, 4])
torch.unsqueeze(x, 0) 插入一个维度 # tensor([[ 1, 2, 3, 4]])
Skimage:
1、改变图片尺寸resize
函数格式为：
image: 需要改变尺寸的图片
output_shape: 新的图片尺寸
skimage.transform.resize(image, output_shape)
from skimage import transform,data
import matplotlib.pyplot as plt
img = data.camera()
dst=transform.resize(img, (80, 60))
plt.figure('resize')
plt.subplot(121)
plt.title('before resize')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('before resize')
plt.imshow(dst,plt.cm.gray)
plt.show()
Img读图片的大小是图片的(width, height)；
而skimage的是(height, width, channel),
Cmd 命令行中，加载tensorboard,进行可视化展示
浏览器中输入：localhost:6006 浏览器中显示
tensorboard.exe --logdir= G:\L-grops\ISIC2018-master\logs