Julia学习总结

一、常用技巧

1. 快捷键Alt + J + O 打开Julia REPL

2. pwd() 查看当前工作目录

3. cd() 进入指定工作目录

4. mkidr() 在当前工作目录下创建子文件夹

julia> mkdir("Tutorial 02x03")

5. 在Package REPL 中,输入 "active+空格+." 切换包管理器至当前工作目录

(@v1.6) pkg> activate .
  Activating new environment at `E:\Julia\code\test\Tutorial 02x03\Project.toml`

(Tutorial 02x03) pkg> 

 6. 在julia REPL中输入,进入帮助模式,可查看函数的说明,如下:

7. 在julia REPL中输入 ] ,进入包管理器,如下:

8. 在julia REPL中输入 exit(),退出Julia REPL

9. 包的安装方法

方法一:REPL

Pkg.add("包名")

方法二:Package Manager

在REPL环境下输入英文" ] "进入包管理器,接着使用以下命令进行包的安装

add 包名

10. Julia自带的三个包:Random、Statistics、LinearAlgebra

11. 在julia中打开默认文件

"""filename为文件名字符串,该函数可打开通过设备的默认应用打开文件"""
function open_file(filename)
    if Sys.isapple()
        run(`open $(filename)`)
    elseif Sys.islinux() || Sys.isbsd()
        run(`xdg-open $(filename)`)
    elseif Sys.iswindows()
        run(`$(ENV["COMSPEC"]) /c start $(filename)`)
    else
        @warn "Showing plots is not supported on OS $(string(Sys.KERNEL))"
    end
end

 也可使用包来完成DefaultApplication.jl包来完成

二、常见问题

 1. Plots()无法显示图片

通过命令行终端输入 julia test.jl 时,没有任何显示。

test.jl文件内容如下:

using Plots
x = 1:10; y = rand(10)
display(plot(x, y))

解决办法:

① 进入Julia 的REPL执行以上命令;

② 在终端输入 julia -i test.jl;

③ 在上述.jl文件末尾添加 sleep(100);

④ 在上述在上述.jl文件末尾添加 readline();

执行结果:

 其他包,例如GR.jl是无法通过命令行的方式调用并显示图片。参考Julia英文社区的回答:How to display the Plots by executing the file from command line - New to Julia - JuliaLang

2. 关闭VScode绘图窗口

取消Julia扩展中的如下的内容即可。

 https://discourse.julialang.org/t/how-to-plot-outside-vs-code/47242

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
首先,你需要安装Julia和机器学习相关的包。可以使用以下命令安装: ```julia using Pkg Pkg.add("MLJ") Pkg.add("Flux") Pkg.add("DataFrames") Pkg.add("CSV") ``` 接下来,我们可以使用一个示例数据集来训练模型。这里我们使用鸢尾花数据集。你可以使用以下命令来下载并导入数据集: ```julia using Pkg Pkg.add("RDatasets") using RDatasets iris = dataset("datasets", "iris") ``` 接下来,我们需要将数据集分为训练集和测试集。我们可以使用DataFrames.jl的`train_test_split`函数来完成此操作,如下所示: ```julia using DataFrames train, test = train_test_split(iris, test_size=0.2) ``` 现在我们可以使用Flux.jl训练一个神经网络模型来对鸢尾花进行分类。以下是一个简单的模型: ```julia using Flux model = Chain( Dense(4, 10, relu), Dense(10, 3), softmax) ``` 这个模型有两个隐藏层和一个输出层。我们可以使用以下代码来训练模型: ```julia using Flux: crossentropy, @epochs loss(x, y) = crossentropy(model(x), y) opt = ADAM() data = [(row[1:4], row[5]) for row in eachrow(train)] @epochs 100 Flux.train!(loss, params(model), data, opt) ``` 这段代码将训练模型100个epoch,使用Adam优化器进行优化。 最后,我们可以使用测试集来评估模型的性能。以下是一个简单的评估代码: ```julia using CSV test_data = CSV.read("test.csv") predictions = Flux.argmax(model.(test_data[:,1:4]), dims=2) accuracy = sum(predictions .== test_data[:,5]) / length(test_data[:,5]) println("Accuracy: $accuracy") ``` 这段代码将加载测试集并使用模型来预测每个样本的类别。然后,我们可以计算准确性并打印结果。 这就是使用Julia学习一个机器学习模型的基本流程。当然,这只是一个简单的示例,实际情况可能更加复杂。但是,Julia的高性能和易用性使得它成为一个非常好的工具来学习机器学习模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值