- TfidfTransformer
- numpy.iinfo
- scipy.sparse.issparse:判断是否稀疏矩阵
- np.where
- *args和**kwargs
- .ipynb文件转.py文件的方法: jupyter nbconvert --to script xxx.ipynb
- isin
- groupby
- tf.placeholder()
- np.vstack()
- scipy.sparse.coo_matrix
- sklearn.cluster.SpectralClustering
- sklearn.neighbors
- weighted_cross_entropy_with_logits
- tf.reduce_mean
- tf.name_scope用法
- sess.run()
- sess.run(tf.global_variables_initializer())
- Update()
- tf.get_collection()
- lambda x: x
- layers.GraphConvolutionSparse
- self.__class__.name
- super()
- torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False使代码具有可重复性 - argparse.ArgumentParser 模块
- torch.manual_seed(seed)
- 将list转换成NumPy数组:
b=np.numpy(a)
- tf.tensordot
- tf.concat()
- tf.expand_dims
- scipy.sparse.coo_matrix、csr_matrix、lil_matrix、dia_matrix
- tf.train.exponential_decay()
- tf.Variable中trainable作用: 如果为True,则会默认将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。此集合用于优化器Optimizer类优化的的默认变量列表,如果为False则在训练时不会更新该值。
- get_ipython()
- (1) torch.mul()是矩阵的点乘,即对应的位置相乘,返回的还是个矩阵
(2) torch.dot()类似于mul(),它是向量的对应位相乘再求和,返回一个tensor数值
(3) torch.mm()是矩阵相乘
(4) torch.mv()是矩阵和向量相乘,类似于torch.mm() - (1) np.dot如果参与运算的两个一维数组,那么得到的结果是两个数组的内积;如果参与运算的是两个二维数组,那么得到的结果是矩阵乘积,两个参与运算的矩阵需要满足矩阵乘法的规则,但是官方更推荐使用np.matmul()和@用于矩阵乘法
(2) *和np.multiply()方法是针对的是标量的运算,当参与运算的是两个数组时,得到的结果是两个数组进行对应位置的乘积,输出的结果与参与运算的数组或者矩阵的大小一致。
(3) matmul是matrix multiply的缩写,所以即是专门用于矩阵乘法的函数。另外,@运算方法和matmul()则是一样的作用,相当于简便写法。