numpy中有哪些简单且实用的操作

最新推荐文章于 2024-07-18 15:53:23 发布
最新推荐文章于 2024-07-18 15:53:23 发布
阅读量98 收藏
点赞数
文章标签： python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/llacr/article/details/120083161
版权

入门numpy

拉平操作 ravel()和faltten()及reshape(1,-1)的区别联系

import numpy as np
x = np.array([[1,2,3],[4,5,6],[1,2,3]])
x.flatten()

array([1, 2, 3, 4, 5, 6, 1, 2, 3])

x.ravel()

array([1, 2, 3, 4, 5, 6, 1, 2, 3])

x.ravel('F')

array([1, 4, 1, 2, 5, 2, 3, 6, 3])

x.flatten('F')

array([1, 4, 1, 2, 5, 2, 3, 6, 3])

x.flatten()[1] = 20
x

array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3]])

x.ravel()[1] = 20
x

array([[ 1, 20,  3],
       [ 4,  5,  6],
       [ 1,  2,  3]])

x.reshape(1,-1) # 注意结果仍然是二维

array([[ 1, 20,  3,  4,  5,  6,  1,  2,  3]])

星号的作用

import numpy as np
y1 = np.linspace(-10.0,10.0) # 默认生成50个数据
y1

array([-10.        ,  -9.59183673,  -9.18367347,  -8.7755102 ,
        -8.36734694,  -7.95918367,  -7.55102041,  -7.14285714,
        -6.73469388,  -6.32653061,  -5.91836735,  -5.51020408,
        -5.10204082,  -4.69387755,  -4.28571429,  -3.87755102,
        -3.46938776,  -3.06122449,  -2.65306122,  -2.24489796,
        -1.83673469,  -1.42857143,  -1.02040816,  -0.6122449 ,
        -0.20408163,   0.20408163,   0.6122449 ,   1.02040816,
         1.42857143,   1.83673469,   2.24489796,   2.65306122,
         3.06122449,   3.46938776,   3.87755102,   4.28571429,
         4.69387755,   5.10204082,   5.51020408,   5.91836735,
         6.32653061,   6.73469388,   7.14285714,   7.55102041,
         7.95918367,   8.36734694,   8.7755102 ,   9.18367347,
         9.59183673,  10.        ])

y2 = np.linspace(1,10,10) # 生成10个数据，包括首尾
y2

array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

y3 = np.linspace(1,10,10,endpoint=False) # 不包括尾部数据
y3

array([1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])

y4= np.linspace(1, 10, 6, retstep=True) # 将步长与结果的数组放入一个list、
y4

(array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ]), 1.8)

np.hstack()和np.vstack()用于堆叠矩阵

import numpy as np

x=np.array([[3,4,5],[1,3,4]])

y=np.array([[1,1,1],[2,2,2]])

np.hstack((x,y))

array([[3, 4, 5, 1, 1, 1],
       [1, 3, 4, 2, 2, 2]])

np.vstack((x,y))

array([[3, 4, 5],
       [1, 3, 4],
       [1, 1, 1],
       [2, 2, 2]])

np.meshgrid()快速生成网格

import numpy as np

x=np.array([1,3,5])

y=np.array([4,6])

XX,YY=np.meshgrid(x,y)

XX

array([[1, 3, 5],
       [1, 3, 5]])

YY

array([[4, 4, 4],
       [6, 6, 6]])

np.newaxis在特定位置增加一个维度

import numpy as np

c=np.array([1,2,5,4])

c[:,np.newaxis]

array([[1],
       [2],
       [5],
       [4]])

c[np.newaxis,:]

array([[1, 2, 5, 4]])

np.prod() 计算元素乘积

import numpy as np

x = np.array([[1,2,3],[2,3,4]])
np.prod(x)

144

np.prod(x,axis=1)

array([ 6, 24])

np.prod(x,axis=0)

array([ 2,  6, 12])

np.pad()函数进行padding操作

import numpy as np

A= np.arange(95,99).reshape(2,2)

A

array([[95, 96],
       [97, 98]])

np.pad(A,((3,2),(2,3)),'constant',constant_values=(0,0))

array([[ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0, 95, 96,  0,  0,  0],
       [ 0,  0, 97, 98,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0]])

b=np.array([[[1,2],[3,4]],[[3,4],[7,8]],[[4,5],[1,2]]])

b

array([[[1, 2],
        [3, 4]],

       [[3, 4],
        [7, 8]],

       [[4, 5],
        [1, 2]]])

np.pad(b,((0,0),(1,1),(1,1)),'constant' ,constant_values = 0)

array([[[0, 0, 0, 0],
        [0, 1, 2, 0],
        [0, 3, 4, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 3, 4, 0],
        [0, 7, 8, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 4, 5, 0],
        [0, 1, 2, 0],
        [0, 0, 0, 0]]])

np.full生成形为shape的元素全为val的矩阵

import numpy as np

c=np.array([[1,2],[3,4]])

c

array([[1, 2],
       [3, 4]])

c.astype(np.float32)

array([[1., 2.],
       [3., 4.]], dtype=float32)



import numpy as np

x=np.array([[3,4,5],[1,3,4]])

y=np.array([[1,1,1],[2,2,2]])

np.hstack((x,y))

array([[3, 4, 5, 1, 1, 1],
       [1, 3, 4, 2, 2, 2]])

np.vstack((x,y))

array([[3, 4, 5],
       [1, 3, 4],
       [1, 1, 1],
       [2, 2, 2]])



y=np.array([4,6])

XX,YY=np.meshgrid(x,y)

XX

array([[1, 3, 5],
       [1, 3, 5]])

YY

array([[4, 4, 4],
       [6, 6, 6]])



import numpy as np

c=np.array([1,2,5,4])

c[:,np.newaxis]

array([[1],
       [2],
       [5],
       [4]])

c[np.newaxis,:]

array([[1, 2, 5, 4]])



import numpy as np

A= np.arange(95,99).reshape(2,2)

A

array([[95, 96],
       [97, 98]])

np.pad(A,((3,2),(2,3)),'constant',constant_values=(0,0))

array([[ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0, 95, 96,  0,  0,  0],
       [ 0,  0, 97, 98,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0]])

b=np.array([[[1,2],[3,4]],[[3,4],[7,8]],[[4,5],[1,2]]])

b

array([[[1, 2],
        [3, 4]],

       [[3, 4],
        [7, 8]],

       [[4, 5],
        [1, 2]]])

np.pad(b,((0,0),(1,1),(1,1)),'constant' ,constant_values = 0)

array([[[0, 0, 0, 0],
        [0, 1, 2, 0],
        [0, 3, 4, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 3, 4, 0],
        [0, 7, 8, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 4, 5, 0],
        [0, 1, 2, 0],
        [0, 0, 0, 0]]])



import numpy as np
x = np.array([[1,2,3],[4,5,6]])
np.zeros_like(x)

array([[0, 0, 0],
       [0, 0, 0]])



import numpy as np

a=np.array([0.125,0.568,5.688])

np.round(a)

array([0., 1., 6.])

np.round(a,decimals=2)

array([0.12, 0.57, 5.69])

np.floor(a)

array([0., 0., 5.])

np.ceil(a)

import numpy as np
x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x1 = x.copy() 
x1[x1 > 0] = 0
x1

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2 = x
x2

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2[x2>0] = 0
x2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x 

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x3 = x[2]
x3

array([ 5, -2,  9])

x3[2] = 100 
x

array([[  1,   2,   3],
       [ -3,   2,   4],
       [  5,  -2, 100]])



import numpy as np

a=np.array([[1,2,3],[4,5,6]])

a=np.array([[1,2,3,6],[4,5,6,6]])

a1=a.reshape((1,2,4))

a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

b=np.array([[3,4,5,6],[1,2,3,4],[4,5,5,5]])

b

array([[3, 4, 5, 6],
       [1, 2, 3, 4],
       [4, 5, 5, 5]])

b1=b.reshape((1,3,4)).transpose((1,0,2))

b1

array([[[3, 4, 5, 6]],

       [[1, 2, 3, 4]],

       [[4, 5, 5, 5]]])

a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

a1+b1

array([[[ 4,  6,  8, 12],
        [ 7,  9, 11, 12]],

       [[ 2,  4,  6, 10],
        [ 5,  7,  9, 10]],

       [[ 5,  7,  8, 11],
        [ 8, 10, 11, 11]]])

矩阵删除、插入、尾部添加操作(delete,insert,append)

import numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]

p1=np.delete(matrix,1,0)

print('>>>>p1>>>>\n',p1)

>>>>p1>>>>
 [[ 1  2  3  4]
 [ 9 10 11 12]]

p2 = np.delete(matrix, 1, 1)
print('>>>>p2>>>>\n',p2)

>>>>p2>>>>
 [[ 1  3  4]
 [ 5  7  8]
 [ 9 11 12]]

p3 = np.delete(matrix, 1)
print('>>>>p3>>>>\n',p3)

>>>>p3>>>>
 [ 1  3  4  5  6  7  8  9 10 11 12]

p4 = np.delete(matrix, [0,1], 1) 
print('>>>>p4>>>>\n',p4)

>>>>p4>>>>
 [[ 3  4]
 [ 7  8]
 [11 12]]

import numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]

q1 = np.insert(matrix, 1, [1,1,1,1], 0)
print('>>>>q1>>>>\n',q1)

>>>>q1>>>>
 [[ 1  2  3  4]
 [ 1  1  1  1]
 [ 5  6  7  8]
 [ 9 10 11 12]]

q2 = np.insert(matrix, 0, [1,1,1], 1)
print('>>>>2>>>>\n',q2)

>>>>2>>>>
 [[ 1  1  2  3  4]
 [ 1  5  6  7  8]
 [ 1  9 10 11 12]]

q3 = np.insert(matrix, 3, [1,1,1,1], 0) 
print('>>>>3>>>>\n',q3)

>>>>3>>>>
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [ 1  1  1  1]]

mport numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]


  File "<ipython-input-20-d202c3e7f41f>", line 1
    mport numpy as np
          ^
SyntaxError: invalid syntax

m1 = np.append(matrix,[[1,1,1,1]],axis=0)

print('>>>>m1>>>>\n',m1)
m2 = np.append(matrix,[[1],[1],[1]],axis=1)

>>>>m1>>>>
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [ 1  1  1  1]]

print('>>>>m2>>>>\n',m2)
m3 = np.append(matrix,[[1],[1],[1]],axis=1)

>>>>m2>>>>
 [[ 1  2  3  4  1]
 [ 5  6  7  8  1]
 [ 9 10 11 12  1]]

print('>>>>m3>>>>\n',m3)

>>>>m3>>>>
 [[ 1  2  3  4  1]
 [ 5  6  7  8  1]
 [ 9 10 11 12  1]]

把矩阵大于或小于N的元素置M的技巧

import numpy as np
x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

y1 = np.maximum(0,x) 
y1

array([[1, 2, 3],
       [0, 2, 4],
       [5, 0, 9]])

y2 = np.minimum(0,x) 
y2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x1 = x.copy()
x1

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x1[x1 < 0] = 0 
x1

array([[1, 2, 3],
       [0, 2, 4],
       [5, 0, 9]])

x2 = x.copy()
x2[x2 > 0] = 0 
x2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

random.rand和random.rand和random.randint区别

import numpy as np
n = np.random.rand(3,4)
n

array([[0.5003975 , 0.8162121 , 0.45193264, 0.82332347],
       [0.09752794, 0.42988813, 0.03935796, 0.8775246 ],
       [0.85181714, 0.52776459, 0.14274664, 0.95744951]])

import numpy as np
x = np.random.randn(2,3)
x

array([[ 0.02193741,  0.758389  , -1.43269265],
       [-0.85326325, -0.37004486, -0.41419479]])

y = np.multiply(0.1,np.random.randn(2,3))+0.5 
y

array([[0.67639181, 0.42187938, 0.53135641],
       [0.57425968, 0.31920886, 0.42239423]])

import numpy as np
z = np.random.randint(2,9,(2,3))
z

array([[2, 7, 2],
       [6, 5, 8]])

m = np.random.randint(9,size = (2,3))
m

array([[8, 0, 4],
       [4, 0, 0]])

python广播机制

import numpy as np

a=np.array([[1,2,3],[4,5,6]])

a=np.array([[1,2,3,6],[4,5,6,6]])

a1=a.reshape((1,2,4))

a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

b=np.array([[3,4,5,6],[1,2,3,4],[4,5,5,5]])

b

array([[3, 4, 5, 6],
       [1, 2, 3, 4],
       [4, 5, 5, 5]])

b1=b.reshape((1,3,4)).transpose((1,0,2))

b1

array([[[3, 4, 5, 6]],

       [[1, 2, 3, 4]],

       [[4, 5, 5, 5]]])

a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

a1+b1

array([[[ 4,  6,  8, 12],
        [ 7,  9, 11, 12]],

       [[ 2,  4,  6, 10],
        [ 5,  7,  9, 10]],

       [[ 5,  7,  8, 11],
        [ 8, 10, 11, 11]]])

numpy中的矩阵copy问题

import numpy as np
x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x1 = x.copy() 
x1[x1 > 0] = 0
x1

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2 = x
x2

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2[x2>0] = 0
x2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x 

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x3 = x[2]
x3

array([ 5, -2,  9])

x3[2] = 100 
x

array([[  1,   2,   3],
       [ -3,   2,   4],
       [  5,  -2, 100]])

numpy取整

import numpy as np

a=np.array([0.125,0.568,5.688])

np.round(a)

array([0., 1., 6.])

np.round(a,decimals=2)

array([0.12, 0.57, 5.69])

np.floor(a)

array([0., 0., 5.])

np.ceil(a)

array([1., 1., 6.])

numpy基本加减和取行操作

import numpy as np

A = np.arange(1, 13).reshape(6, 2)


B = np.vsplit(A, 3)

C = A.T

D = np.hsplit(C, 3)
print(A, B, C, D)

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]] [array([[1, 2],
       [3, 4]]), array([[5, 6],
       [7, 8]]), array([[ 9, 10],
       [11, 12]])] [[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]] [array([[1, 3],
       [2, 4]]), array([[5, 7],
       [6, 8]]), array([[ 9, 11],
       [10, 12]])]

numpy基本加减和取行操作

import numpy as np
a = np.array([1,1,1,1])
b = np.array([[1],[1],[1],[1]])
a+b

array([[2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2]])

c = np.array([[1,1,1,1]])
c+b

array([[2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2]])

W = np.array([[1,1,1],[2,2,2]])
W[:,1]

array([1, 2])

W[1]

array([2, 2, 2])

W[:,1] = np.array([5,5])
W

array([[1, 5, 1],
       [2, 5, 2]])

np.zeros_like()构造全零矩阵，无需指定大小

import numpy as np
x = np.array([[1,2,3],[4,5,6]])
np.zeros_like(x)

array([[0, 0, 0],
       [0, 0, 0]])

np.random.choice(a, size, replace, p)；np.argmax(a, axis=None, out=None)

import numpy as np
a1 = np.random.choice(7,5) # 从0~7中随机选择5个数组成一维数组
a1

array([2, 0, 5, 0, 6])

a2 = np.random.choice([0,1,2,3,4,5,6],5) # 从给定list中随机选择5个数组成一维数组
a2

array([0, 6, 1, 6, 6])

a3 = np.random.choice(np.array([0,1,2,3,4,5,6]),5) # 将list换成array数组依然可以运行，效果一致
a3

array([0, 5, 4, 2, 1])

a4 = np.random.choice([0,1,2,3,4,5,6],5,replace=False) # 上述均有重复，将replace设置为False，即可按要求没有重复的选取
a4

array([3, 0, 5, 4, 1])

a5 = np.random.choice(np.array([0,1,2,3,4,5,6]),5,p=[0.1,0.1,0.1,0.1,0.1,0.1,0.4])
a5

array([6, 3, 3, 4, 3])



import numpy as np
a = np.array([[1,1,1],[2,2,2],[0,3,6]])
a

array([[1, 1, 1],
       [2, 2, 2],
       [0, 3, 6]])

b1 = np.argmax(a) # 将数组a拉平，最大值索引为9(初始索引为0)
b1
8


8

b2 = np.argmax(a, axis=0) # 按列选取最大值的索引
b2

array([1, 2, 2], dtype=int64)

b3 = np.argmax(a, axis=1) # 按行选取最大值的索引
b3

array([0, 0, 2], dtype=int64)
ღ°醉心ฅ.
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
吴恩达深度学习L2W1——神经网络权重初始化方法、正则化
qq_41488595的博客
10-15 956
文章目录神经网络的初始化初始化数据模型搭建简单函数零初始化——initialize_parameters_zeros随机初始化——initialize_parameters_randomHe初始化三种初始化结果对比在神经网络中使用正则化导入数据模型搭建非正则化模型L2正则化dropout三种模型的对比 神经网络的初始化 主要是看权重的不同初始化方法的影响 导包 import numpy as np import matplotlib.pyplot as plt import sklearn import s
numpy中简单且实用的操作1
qq_69636000的博客
09-12 139
【代码】numpy中简单且实用的操作1。
numpy简单使用
BlankpuppetCiwei的博客
03-12 195
文章目录数组numpy中的数据类型常用方法创建方式索引、切片花间索引（间断索引）布尔索引（逻辑索引）运算符数学函数 对数组数据进行数学函数运算***统计函数 √随机数模块 # 身高 height = [170,173,178,180,183] # 体重 weight = [76,65,70,77,75] '''求BMI指数:身体质量指数=体重(KG)/身高(m)的平方''' # 这道题如果你真的想用python实现会稍微复杂一点 data_list = [] for i in range(5):
numpy的简单使用和变形等操作
caoxinjian423的博客
12-30 138
代码示例： import numpy as np #一维数组简单使用 my_list1 = [5,6,7,8] my_np1 = np.array(my_list1) print(type(my_np1)) #打印：<class 'numpy.ndarray'> print(my_np1) #打印：[5 6 7 8] print(my_np1.shape) #打印(4,)，代表数组形状（行，列），本例代表4行1列 my_np2 = np.arange(1,10,2) p
Python中Numpy mat的使用详解
09-19
在Python的科学计算库Numpy中，`mat`是一个特殊的数据类型，它设计用来更方便地处理矩阵运算，类似于MATLAB中的矩阵操作。虽然现在推荐使用`numpy.array`来进行矩阵运算，因为它的功能更为全面且高效，但在某些情况...
Python之Numpy的超实用基础详细教程
01-02
Numpy在python中属于非常常用的包，无论是机器学习搭配pandas，还是数据可视化搭配pylab都是很正常的搭配。 Numpy numpy的官方中文文档：NumPy 中文 NumPy是使用Python进行科学计算的基础软件包。除其他外，它包括...
numpy-numpy教程之EllipticalMask.zip
05-19
NumPy还提供了一套丰富的数学函数，可以直接作用于数组上，使得对大量数据的操作变得简单而高效。 要创建一个椭圆掩模，我们首先需要导入NumPy库并熟悉其几何构造函数。`numpy.ma`模块包含了掩模数组（masked array...
numpy-numpy教程之Combining.zip
05-19
本教程将深入探讨NumPy中的“Combining”操作，即如何组合不同的数组以进行复杂的数据操作。 一、数组的串联与堆叠 1. 数组连接（concatenate）：NumPy的`numpy.concatenate()`函数允许我们将多个数组沿着一个指定...
用NumPy和Pandas做数据分析实战
01-14
1. **多维数组对象（ndarray）**：NumPy的基石是ndarray，它可以存储同类型的元素，并支持广播规则，使得数组间运算变得简单高效。 2. **线性代数运算**：NumPy包含了基本的线性代数操作，如矩阵乘法、求逆、特征值...
《JavaSE》---6.＜基础语法（Java三大程序控制结构）＞
m0_73456341的博客
07-14 791
本篇博客主要讲解Java基础语法中的三大结构，一种顺序结构、两大分支结构i（if-else、swich-case）、四大循环结构（while、do while、fot、foreach）
华为od机试真题 — 代表团坐车(Python)
学习,你不是一个人在战斗 ～ 961302305（QQ,微信）
07-17 531
【华为od机试真题 】代表团坐车(Python) 某组织举行会议，来了多个代表团同时到达，接待处只有一辆汽车可以同时接待多个代表团，为了提高车辆利用率，请帮接待员计算可以坐满车的接待方案输出方案数量。
IPython 日志秘籍：%logstate 命令全解析
2401_85812026的博客
07-17 491
logstate命令是 IPython 日志系统的重要组成部分，它帮助我们掌控日志记录的状态。通过本文的介绍，你应该对如何在 IPython 中使用%logstate查看日志状态有了更深入的理解。记住，合理利用日志系统，可以让你的数据探索过程更加透明和可追溯。本文详细介绍了 IPython 的%logstate命令，包括其基本概念、基本用法、输出解析以及实战示例。希望本文能够帮助读者更好地利用 IPython 的日志系统，优化数据探索和科学计算的工作流。记住，掌握%logstate。
N7翻译实战
tjl521314_21的博客
07-17 258
本周完成项目实战用于训练一个简单的序列到序列（seq2seq）模型以实现英语到法语的翻译。数据预处理、模型构建、训练以及可视化损失的过程。本周学习了构建和训练一个简单的seq2seq模型用于英语到法语的翻译，对前面的知识做了一个综合的运用。
python训练模型报错：BrokenPipeError: [Errno 32] Broken pipe
最新发布
Dxy1239310216的博客
07-18 187
如果问题持续存在，并且你的项目不是必须在 Windows 上运行，考虑在 Unix/Linux 系统上运行你的代码。确保在数据加载器中使用的任何自定义函数或类都是可序列化的，因为多进程需要能够在不同进程间传递它们。进行多进程数据加载时尤其常见，尤其是在 Windows 系统上，因为 Windows 对多进程的支持与 Unix/Linux 系统有所不同。有时候，错误可能是由其他部分的代码引起的，而不是直接由数据加载器引起。如果问题依然存在，你可能需要更详细地检查你的代码或寻求更专业的帮助。
Gradio从入门到精通（1）---快速入门
疯狂飙车的蜗牛的博客
07-15 1364
Gradio 是一个开源 Python 包，允许您为机器学习模型、API 或任何任意 Python 函数快速构建演示或 Web 应用程序。然后，您可以使用 Gradio 的内置共享功能在几秒钟内共享指向演示或 Web 应用程序的链接。无需 JavaScript、CSS 或 Web 托管经验！Gradio最大的特点就是简单，便捷，短短几行代码就可以快速构建大模型web应用程序；当前很多人工智能模型的演示都是使用Gradio打造的；您会注意到，为了制作第一个演示，您创建了该类的实例。
文件在Linux下为binary格式在Windows下为utf-8格式
qq_38220334的博客
07-17 275
想着是不是之前遇到的问题，有可能是文件中含有特殊字符，然后用vim命令来编辑这个文件，发现，还真是含有一个特殊字符，然后将它删除掉，文件就变成utf-8格式的文件了。在Windows下和Mac下都是没有问题的，在华为云服务器上也是没问题的（操作系统不是centos），但是在自己搭建的Linux服务器（centos）上是有问题的。用shell或者Python脚本去将这个文件转为utf-8格式的，但是都失败了。
ios CCUIAlertActivityView.m
编程语言技巧经验分享
07-17 466
// // CCUIAlertActivityView.m // CCFC // // #import "CCUIAlertActivityView.h" #import "CCNSNumber.h" #import "CCU
Django prefetch_related()方法
人生苦短，何妨一试
07-15 411
prefetch_related()是 Django ORM 中用于优化查询性能的另一个重要方法，尤其在处理多对多（ManyToMany）关系和反向关系时非常有用。它允许你预加载相关对象，从而减少数据库查询次数。
NumPy 1.21.0官方参考指南：数组操作与通用函数详解
这份文档详细介绍了NumPy库中的各种功能和对象，包括数组对象、标量、数据类型对象、索引、迭代、标准数组子类、掩码数组、数组接口、日期时间和时间差、常量、通用函数（ufunc）、广播规则、错误处理等，并涵盖了...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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