一个名为random_matrices的文件夹内有40个文件,名字分别为matrix_1.npy到matrix_40.npy,python依次输出40个文件的名字
时间: 2023-12-06 10:44:57 浏览: 70
可以使用循环来完成这个任务,示例代码如下:
```python
import os
folder_path = 'random_matrices'
for i in range(1, 41):
file_name = 'matrix_{}.npy'.format(i)
file_path = os.path.join(folder_path, file_name)
print(file_name)
```
这段代码中,首先定义了文件夹的路径 `folder_path`,然后使用循环遍历40个文件,每次循环生成文件名 `file_name`,然后使用 `os.path.join()` 方法将文件夹路径和文件名拼接起来得到文件路径 `file_path`,最后使用 `print()` 函数输出文件名。
相关问题
将一个名为random_matrices的文件夹内40个名为matix_{i}.npy的42×42的numpy矩阵文件,转化为一个(40,1,42,42)的tensor
可以使用以下代码实现:
```python
import numpy as np
import torch
# 创建空的tensor
tensor = torch.empty((40, 1, 42, 42))
# 遍历文件夹内的文件,将每个矩阵转化为tensor并存储
for i in range(40):
file_path = f'random_matrices/matrix_{i}.npy'
matrix = np.load(file_path)
tensor[i] = torch.from_numpy(matrix).unsqueeze(0)
print(tensor.shape) # 输出 (40, 1, 42, 42)
```
以上代码首先创建了一个空的tensor,形状为 (40, 1, 42, 42),然后遍历文件夹内的40个文件,依次将每个矩阵转化为tensor,并存储到相应的位置。最后输出tensor的形状。注意,在将numpy数组转化为tensor时,需要使用 `torch.from_numpy()` 方法,并且需要使用 `unsqueeze()` 方法扩展维度,使得每个矩阵的形状变为 (1, 42, 42)。
import torch import os import torch.nn as nn import torch.optim as optim import numpy as np import random class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3,stride=1) self.pool = nn.MaxPool2d(kernel_size=2,stride=2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3,stride=1) self.fc1 = nn.Linear(32 * 9 * 9, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 2) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 9 * 9) x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) folder_path1 = 'random_matrices2' # 创建空的tensor x = torch.empty((40, 1, 42, 42)) # 遍历文件夹内的文件,将每个矩阵转化为tensor并存储 for j in range(40): for j in range(40): file_name = 'matrix_{}.npy'.format(i) file_path1 = os.path.join(folder_path1, file_name) matrix1 = np.load(file_path1) x[j] = torch.from_numpy(matrix1).unsqueeze(0) folder_path2 = 'random_label2' y = torch.empty((40, 1)) for k in range(40): for k in range(40): file_name = 'label_{}.npy'.format(i) file_path2 = os.path.join(folder_path2, file_name) matrix2 = np.load(file_path2) y[k] = torch.from_numpy(matrix2).unsqueeze(0) for epoch in range(10): running_loss = 0.0 for i in range(40): inputs, labels = x[i], y[i] optimizer.zero_grad() outputs = net(inputs) optimizer.step() #running_loss += loss.item() #print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40)) print('Finished Training') 加入loss可视化
你可以使用matplotlib库来可视化训练过程中的loss。可以在每个epoch结束后将loss存储到一个列表中,最后使用matplotlib库绘制出loss随epoch变化的曲线。示例代码如下:
```
import matplotlib.pyplot as plt
# 创建空列表,用于存储每个epoch的loss
losses = []
for epoch in range(10):
running_loss = 0.0
for i in range(40):
inputs, labels = x[i], y[i]
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
# 存储每个epoch的loss
losses.append(running_loss / 40)
print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40))
print('Finished Training')
# 绘制loss随epoch变化的曲线
plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
```
这段代码会在每个epoch结束后将loss存储到列表losses中,最后使用matplotlib库绘制出loss随epoch变化的曲线。
阅读全文