一些python语句查询

1. TfidfTransformer
2. numpy.iinfo
3. scipy.sparse.issparse:判断是否稀疏矩阵
4. np.where
5. *args和**kwargs
6. .ipynb文件转.py文件的方法: jupyter nbconvert --to script xxx.ipynb
7. isin
8. groupby
9. tf.placeholder()
10. np.vstack()
11. scipy.sparse.coo_matrix
12. sklearn.cluster.SpectralClustering
13. sklearn.neighbors
14. weighted_cross_entropy_with_logits
15. tf.reduce_mean
16. tf.name_scope用法
17. sess.run()
18. sess.run(tf.global_variables_initializer())
19. Update()
20. tf.get_collection()
21. lambda x: x
22. layers.GraphConvolutionSparse
23. self.__class__.name
24. super()
25. torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False使代码具有可重复性
26. argparse.ArgumentParser 模块
27. torch.manual_seed(seed)
28. 将list转换成NumPy数组: b=np.numpy(a)
29. tf.tensordot
30. tf.concat()
31. tf.expand_dims
32. scipy.sparse.coo_matrix、csr_matrix、lil_matrix、dia_matrix
33. tf.train.exponential_decay()
34. 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。
35. get_ipython()
36. (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()
37. (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。