matplotlib.pyplot.boxplotの使い方 matplotlib.pyplot.boxplotの引数に、Numpyのndarray配列やpandasのDataframeを指定すれば、箱ひげ図を表示することができる。 import numpy as np import matplotlib.pyplot as plt import seaborn as sns # Numpy ndarray配列 a = np.array([0, 1, 2, 3, 4, 5, 5, 6, 11, 13, 4, 5, 6, 1, 1, 20]) # pandas Dataframeの読み込み df = sns.load_dataset('tips') display(df)

numpy.quantileの使い方 numpy.quantileの第一引数aにndarray配列、第二引数qに1次元のndarray配列で分位数を指定する。四分位数の場合は、qに[0.25, 0.5, 0.75]を指定する。 import numpy as np a = np.array([0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0]) q = np.array([0.05, 0.95]) print(np.quantile(a=a, q=q)) # [0.5 9.5] q = np.array([0.25, 0.5, 0.75]) print(np.quantile(a=a, q=q)) # [2.5 5. 7.5]

torch.quantileの使い方 torch.quantileの第一引数inputにTensor配列、第二引数qに1次元のTensor配列で分位数を指定する。四分位数の場合は、qに[0.25, 0.5, 0.75]を指定する。 import torch a = torch.tensor([0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0]) q = torch.tensor([0.05, 0.95]) print(torch.quantile(input=a, q=q)) # tensor([0.5000, 9.5000]) q = torch.tensor([0.25, 0.5, 0.75]) print(torch.quantile(input=a, q=q)) # tensor([2.5000, 5.0000, 7.50

音声強調、音声認識や音環境分類のような音データにおけるデータ拡張方法であるSpecAugmentをPyTrochで試す。PyTorchには、FrequencyMasking、TimeMaskingとTimeStretchの３つのクラスが用意されている。 torchaudio.transforms – Torchaudio v0.10.0 Documentation データ拡張する対象の音源を、以下コードでダウンロードし、スペクトログラムに変換する。 関連記事 – 【PyTorch】Pythonで時間波形からスペクトログラムへ変換【librosa】 import os import requests import librosa import matplotlib.pyplot as plt import torch import torchaudio import torchaudio.t

numpy.random.choiceの使い方 numpy.random.choiceの第一引数に整数値、第二引数sizeを指定すると、0から第一引数で指定した値までの範囲（np.arange(a)で生成した配列）で、size個数分がランダムで抽出される。 第一引数は0より大きい値である必要があり、0以下の場合は、ValueErrorが発生する。 import numpy as np print(np.random.choice(5, size=1)) # [2] print(np.random.choice(5, size=3)) # [3 2 4] print(np.random.choice(-5, size=1)) # ValueError: a must be greater than 0 unless no samples are taken

転移学習やファインチューニングを行う際に、モデルの重みを固定する必要があり、PyTorchにおける方法を調べてました。 import torch from torch import nn # Define model class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(2, 3), nn.ReLU(), nn.Linear(3, 2), nn.ReLU(), nn.Linear(2, 1) ) def forward(self, x): x = self.flatten(x) logits = self.lin

torch.fft.fftの使い方 torch.fft.fftの第一引数inputにTensor配列を指定しれば、高速フーリエ変換の結果が返ってくる。 import torch t = torch.arange(10) print(t) # tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) T = torch.fft.fft(input=t) print(T) # tensor([45.+0.0000j, -5.+15.3884j, -5.+6.8819j, -5.+3.6327j, -5.+1.6246j, # -5.+0.0000j, -5.-1.6246j, -5.-3.6327j, -5.-6.8819j, -5.-15.3884j]) T = torch.fft.fft(input=t, n=3) print(T) # tensor([ 3.0000+

import torch a = torch.ones(2, 3) print(a) print(a.size()) # tensor([[1., 1., 1.], # [1., 1., 1.]]) # torch.Size([2, 3]) b = 2*torch.ones(2, 3) print(b) print(b.size()) # tensor([[2., 2., 2.], # [2., 2., 2.]]) # torch.Size([2, 3]) torch.catの第一引数に結合するTenosor配列、第二引数dimに結合する次元を指定する。dimに存在しない次元を指定するとIndexErrorが発生し、新しいTensor配列は生成されない。 a_b = torch.cat((a, b), dim=0) print(a_b) print(a_b.size()) # tensor