```sys.path```  
返回当前搜索路径list，如果有ModuleNotFoundError可以看看路径是否在这个list中  
可以通过  
```sys.path.insert(0, path)```  
或者  
'''sys.path.append(os.path.joint(os.path.dirname(__file__), '..'))'''  
添加搜索路径  
```os.path.dirname(__file__)```  
可以返回当前文件的路径  
```os.path.split(path)```  
可以对路径拆分最后一个目录 或者 文件  

https://www.cnblogs.com/sigai/p/8074329.html  

from pathlib import Path
path = Path('path')
path.exists()
path.mkdir(parents=True, exist_ok=True)
Path / '路径' # 任然是Path
os.path.basename(path) # 返回路径最后一个文件（夹）
path.split('.') # 剥离文件名与格式

str = 'hello {place}'.format(place='wuhan')
str = '%-10s' % （'china') # 左对齐 长度为10

import time
time_str = time.strftime('%Y-%m-%d-%H-%M')

https://www.cnblogs.com/goodhacker/p/3355660.html

import logging
head = '%(asctime)-15s %(message)s' # 输出格式  时间-信息
logging.basicConfig(filename=path, format=head) # 定义输出日志路径 和 日志格式
logger = logging.getLogger() # 相当于实例化
logger.setLevel(logging.INFO) # 日志信息有多个等级 只有大于等于INFO的等级才会输出
console = logging.StreamHandler() # 创建在终端输出的handler
logger.addHandler(console) # 加到logger上
logger.info('massage')

import logging
logger = logging.getLogger(__name__)

全称 pretty printer，可以让各种数据结构更美观地输出  
```pprint.pprint(dict())```美化后打印  
```pprint.pformat(dict())```返回美化后的字符串  

python package是一个文件夹，该文件夹下面有__init__.py，还有其他.py文件。如果要调用python package下的.py文件，应该在__init__.py文件中加入  

import models.pose_resnet

   mv yapf_style.cfg style
   vim style
   
   # 修改配置文件
   arithmetic_precedence_indication=True
   ...

o = (i-1)*s - k + 2p + 2  
https://zhuanlan.zhihu.com/p/57348649

import numpy as np
np.set_printoptions(threshold=np.inf, linewidth=4000)

a*b 是对应相乘即broadcast。  
而a.dot(b)才是熟悉的矩阵点乘

import numpy as np 
a = np.array([[1, 2], [3, 4]])
# 若要交换第一行与第二行
a[0], a[1] = a[1], a[0] # 这是错的
a[[0, 1], :] = a[[1, 0], :] #这才是正确的

a = np.argmax(b, 2) # b.shape = 2, 17, n  返回shape=2, 17 在第2个维度上找最大值的索引
a = np.amax(a, 2)# b.shape = 2, 17, n  返回shape=2, 17 在第2个维度上找最大值

a = np.tile(b, (1, 1, 2)) # b.shape 2, 17, n 返回shape=2, 17,2n b在第2个维度上copy一次

a = np.greater(b, 0) # 返回b大于0的mask
a = np.less(b, 0)
a = np.equal(b, 0) # 等于0的mask
a = np.not_equal(b, 0) 
a = a.astype(np.float32) # 把mask转为数

b = np.flip(a, 3) # 把a沿着第三维度反转
b = a[:, :, ::-1]

b = a.copy()

np.ndarray的[h, w, c] rgb格式  Tensor的[c, h, w]  

image_chw = np.transpose(image_hwc, (2,0,1)) 相互转换

image_uint = image_float.astype(np.uint8)
image_float = image_uint8.astype(np.float32)

https://github.com/casuallyName/document-sharing/tree/master/static  

```python -m visdom.server```  

from visdom import Visdom
import numpy as np
import time


viz = Visdom(env='loss')
x, y = 0, 0
win = viz.line(X=np.array([x]), Y=np.array([y]))

for i in np.linspace(0, 10 * np.pi, 1000):
  x = i
  y = np.sin(x)

  viz.line(X=np.array([x]), Y=np.array([y]), win=win, update='append')
  time.sleep(0.00001)

```image.permute(0, 3, 1, 2)```

a = torch.tensor(........)
a.mul(b)

https://blog.csdn.net/lxy_2011/article/details/97488494  
https://pytorch.org/docs/stable/torchvision/models.html  

```checkpoint = torch.load('pretrained_model.pth')```  
可以读取预训练模型参数，checkpoint为一个OrderedDict，OrderedDict.items()返回keys与values，OrderedDict.keys()返回key。  
对于一个model，可以用model.named_parameters()和model.parameters()返回模型的参数。  
对于某个parameter可以通过  
```param.data = X```  
对某个parameter赋值  

import torch.backends.cudnn as cudnn
cudnn.benchmark = True

torch.backends.cudnn.deterministic = True

torch.backends.cudnn.enabled = False

```model = torch.nn.DataParallel(model, device_ids=gpus)```
gpus为一个list,[0, 1, 2, 3] 分别为gpu代号

把损失计算封装到nn.Module的子类中，就像是写model，也有forward。如下：
```criterion = JointsMSELoss().cuda()```
其好处，我猜测是可以用gpu加速

mse = nn.MSELoss()
loss = mse(a, b) # a b 可以为相同的任意维度，如果报错a,b转为.float()

自定义层的权重应该在 ```self.__init__()```下面定义而且必须是nn.Parameter() 比如  
```self.weight = torch.nn.Parameter(torch.Tensor([[2.0, 0.0], [0.0, 1.0]], requires_grad=True))```  

优化器的第一个输入是一个列表，该列表下面是tensor。  
所以要对一个参数a 优化，则应该输入```[a]```  

# output.shape为(batch_size, channel, w, h)
cat_img = torchvision.utils.make_grid(output, nrow=8, padding=2)
# 注意，此时cat_img的shape(3， w*8, h*batch_size/8) 如果用opencv显示，需要转一下通道(w, h, 3)

一般经过

normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
transforms.Compose([transforms.ToTensor(), normalize,]))

from tensorboardX import SummaryWriter
writer = SummaryWriter('logdir') #首先创建一个writer
writer.add_scalar('data_name', data, global_step=epoch) # 这是添加数字的方法，分别是数字的名字，数字(float)，epoch
writer.add_graph(model, (dump_input, ), verbose=False) # 这是添加模型的方法，dump_input，是一个torch.tensor(batch_size,channel,width,height)
# 还有add_image,记录图像等等
writer.close() # 这个要添加一下，否者可视化的时候可能有问题

 # COCOAPI=/path/to/clone/cocoapi
 git clone https://github.com/cocodataset/cocoapi.git $COCOAPI
 cd $COCOAPI/PythonAPI
 # Install into global site-packages
 pip install Cython
 make install
 # Alternatively, if you do not have permissions or prefer
 # not to install the COCO API into global site-packages
 python3 setup.py install --user

 from pycocotools.coco import COCO
 coco = COCO('coco_annotation_file')
 coco.getCatIds() # 返回annotation文件中类型的索引，比如：人，猫，滑板
 coco.loadCats([1]) # 返回索引1中类型包含的信息
 coco.getImgIds(catIds=*) # 返回*类型图像的索引
 coco.loadImgs(391895) # 返回索引为391895的图像的信息
 coco.getAnnIds(391895) # 返回索引为391895的图像的标注索引 可能有多个标注索引
 coco.loadAnns((coco.getAnnIds(391895))[0]) # 返回索引为391895的图像的标注索引[0]的标注信息

# if cuda == 11.0
pip install tensorflow==2.4