python 切片的一些混淆点（备忘）

1.经常混淆的py切片细节

python 中的 [:-1] 和 [::-1]

• https://www.runoob.com/note/51257

• a='python'
  b=a[::-1]
  print(b) #nohtyp
  c=a[::-2]
  print(c) #nhy
  #从后往前数的话，最后一个位置为-1
  d=a[:-1]  #从位置0到位置-1之前的数
  print(d)  #pytho
  e=a[:-2]  #从位置0到位置-2之前的数
  print(e)  #pyth
  * ```python
    b = a[i:j]   # 表示复制a[i]到a[j-1]，以生成新的list对象
    
    a = [0,1,2,3,4,5,6,7,8,9]
    b = a[1:3]   # [1,2]
    
    # 当i缺省时，默认为0，即 a[:3]相当于 a[0:3]
    # 当j缺省时，默认为len(alist), 即a[1:]相当于a[1:10]
    # 当i,j都缺省时，a[:]就相当于完整复制一份a
    
    b = a[i:j:s]    # 表示：i,j与上面的一样，但s表示步进，缺省为1.
    # 所以a[i:j:1]相当于a[i:j]
    
    # 当s<0时，i缺省时，默认为-1. j缺省时，默认为-len(a)-1
    # 所以a[::-1]相当于 a[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍，即倒序。
  
  
  

---

2.关于 torch 的pad：full模式（相对于tf中的same模式）

$$
H_{out} = \left\lfloor\frac{H_{in} + 2 \times \text{padding}[0] - \text{dilation}[0]
\times (\text{kernel_size}[0] - 1) - 1}{\text{stride}[0]} + 1\right\rfloor

W_{out} = \left\lfloor\frac{W_{in}  + 2 \times \text{padding}[1] - \text{dilation}[1]
          \times (\text{kernel_size}[1] - 1) - 1}{\text{stride}[1]} + 1\right\rfloor

$$

相比tensorflow，PyTorch需要用户清楚的知道的自己的卷积核选取对结果的影响。

• 简单一点：先只看 t = kernel【0】// 2；
• Kernel【0】为奇数，那么padding就等于 t;
• 否则，kernel【0】为偶数，那么padding就等于 【t - 1】

---

3.反卷积

https://blog.csdn.net/g11d111/article/details/82665265

• 反卷积这部分用的少，公式其实就是正卷积中，in 和 out 对调；
• 只不过 反卷积没有了 正卷积 中 的 向下取整 的操作
• 所以在反卷积中， 需要按规矩公式，简单计算一下padding 尺寸参数；
• 最简单就是用局部代码输出看一下结果，看是否符合输入输出尺寸要求

---

https://blog.csdn.net/m0_37586991/article/details/87855342

---