np.empty() 函数的用法
np.empty()返回一个随机元素的矩阵，大小按照参数定义。
np.argmax()函数用法
返回的是输入列表中最大值的位置
它重要的特点就是在有多个最大值的情况下，只返回第一个出现的最大值的位置。
如果需要返回所有最大值的位置的话，np.where(a == np.max(a))
np.sum()函数的用法
Numpy中的sum函数，无参时，所有全加；axis=0，按列相加；axis=1，按行相加；
两个列表的差集
ret_list = [item for item in a_list if item not in b_list] + [item for item in b_list if item not in a_list]
np.permute()函数的用法
a=rand(2,3,4); %这是一个三维数组，各维的长度分别为：2，3，4
%现在交换第一维和第二维：
permute(A,[2,1,3]) %变成3*2*4的矩阵
参考：https://blog.csdn.net/york1996/article/details/81876886
contiguous()函数的用法
view只能用在contiguous的variable上。如果在view之前用了transpose, permute等，需要用contiguous()来返回一个contiguous copy。
一种可能的解释是：
有些tensor并不是占用一整块内存，而是由不同的数据块组成，而tensor的view()操作依赖于内存是整块的，这时只需要执行contiguous()这个函数，把tensor变成在内存中连续分布的形式。
torch.tensor.view()函数的用法
torch.Tensor.view会返回具有相同数据但大小不同的新张量。 返回的张量必须有与原张量相同的数据和相同数量的元素，但可以有不同的大小。一个张量必须是连续contiguous()的才能被查看。类似于Numpy的np.reshape()。
np.clip(a, a_min, a_max, out=None)的用法
表示会给出一个区间，在区间之外的数字将被区间边缘数字替代，例如给定一个区间[0,1]，小于0的将变成0，大于1则变成1，其余不变。
np.ravel()函数的用法
首先声明两者所要实现的功能是一致的（将多维数组降位一维），两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。
np.argsort()[num]函数的用法
将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y。当num<0时，np.argsort()[num]就是把数组y的元素反向输出，例如np.argsort()[-1]即输出x中最大值对应的index。
转载：https://blog.csdn.net/x550262257/article/details/101197299