junjian Li

python -m是将库中的python模块用作脚本去运行。

setprotitle来修改进程的名字

tmux

查看网站URL是否正常最常见的方式莫过于使用wget和curl工具来活动网站的URL信息；–q, --quit 安静的访问，禁止输出，类似于 -o 、dev/null。–o， --output-file=FILE，记录输出到文件中。–spider 模拟爬虫的行为去访问网站，但是不会下载网站。实时监控的方式：(利用放回值确定网站是否正常)=> 输出 0 表示上个命令执行正常。–T， 网站访问超时的时间。–t，网站异常时重试的次数。

如果 test.py 模块位于一个名为 my_package 的 Python 包中，那么 __name__的值就是 my_package.test。我们在使用Flask框架时，创建一个app，需要用到Flask(__name__)的语句;中名为 test.py 的模块中，__name__的值为 test。

【代码】python日志logger。

是一个特殊的表示符，其后，跟着解释此脚本的shell路径。是指此脚本使用/bin/bash来解释执行。

区别在于python2和python3，python3继承不继承object类都没有区别，但是python2继承object类的话，可以获得更多的魔术方法(静态方法，类方法的构造，类属性的快速访问，定制类实例的实现方法)。

_str__是Python中类对象自带的一个函数，正常情况下，我们实例化对象后，print对象，输出的是这个对象的地址.而通过自定义__str__()函数，可以帮我们打印对象中的内容。

@classmethod

python格式化日期时间自动补0

linux 后台运行并输出log到指定文件nohup python -u run_pretrain_nezha.py >run_pretrain_nezha.txt 2>&1 &

jupyter nbconvert --to script my_notebook.ipynb

DataLoader的collate_fn参数，实现自定义的batch输出。DataLoader完整的参数表如下：class torch.utils.data.DataLoader( dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=<function default_collate>,

Dim_tfidf = 32X = df['post_detail'].valuestfv = TfidfVectorizer(max_df=0.6, min_df=6, sublinear_tf=False)tfv.fit(X)X_tfidf = tfv.transform(X)svd = TruncatedSVD(n_components=Dim_tfidf)svd.fit(X_tfidf)X_svd = svd.transform(X_tfidf)for i in range(

F_beta的公式如下Fbeta=(1+β2)∗p∗rβ2∗p+rF_{beta} = \frac{(1 + \beta^2)*p*r}{\beta^2*p + r} Fbeta​=β2∗p+r(1+β2)∗p∗r​def f_beta(y_hat, y_true, beta=0.3, threshold=0.5): ''' y_hat是sigmoid输出的概率值 ''' epsilon = 1e-7 y_hat = y_hat > threshold

Python中str/bytes/list/tuple的长度的时间复杂度为o(1)，这是因为str/bytes/list/tuple 的长度由解释器在内部记录并维护，c实现的python字符串结构体里有个变量专门记录字符串长度，不用遍历字符串

对字符串，列表，元组，字典进行计数，返回一个字典类型的数据，key是元素，values是元素出现的次数from collections import Countera = [1, 2, 3, 4, 1, 2, 3, 4]c = Counter(a)print(c)输出：Counter({1: 2, 2: 2, 3: 2, 4: 2})most_common(n)（统计出现次数最多的n个元素）most_common = c.most_common(2)most_common[

对一个字典的value值进行排序可以使用lambda和sorted()来实现：results = sorted(hashtable.items(), key=lambda x:x[1], reverse=True

在使用list的过程中，list给我们呈现的是一个长度可变的数组，但是list底层的数据结构是什么样子的？list是一个长度可以变的连续数组，其中有一个ob_item指针列表，里面每一个指针都指向列表中的元素，而allocated则用于存储该列表分配的空间大小。allocated和列表的实际空间大小不一样，列表的实际空间大小，指的是len(list)返回的结果，也就是ob_item的大小。表示该列表总共存储了多少个元素，而在实际情况中，为了优化存储结构，避免每次增加元素都要重新分配内存，列表预分配的空间

python中self是什么：指向该实例本身的引用python中的self在定义类的时候需要去定义，在创建实例的时候或者在调用的时候会自动传入。class Dog: def __init__(self): print("正在执行构造方法") # 定义一个jump()实例方法 def jump(self): print("正在执行jump方法")python要求，类方法（构造方法和实例方法）中至少要包含一个参数，但并没有规定此参数的名称（完全可以

python对dict进行排序：result = sorted(my_dict.items(), key = lambda x:x[1], reverse=True)如果对key排序,用x[0];默认的是从小到大排序,如果是从大到小,需要用reverse = True.返回的result是一个list，不再是一个dictwords = ["i", "love", "leetcode", "i", "love", "coding"]result = sorted(words.items(), k

1. 什么是可变对象，什么是不可变对象可变对象是指，一个对象在不改变其所指向的地址的前提下，可以修改其所指向的地址中的值；简而言之是对象存放在地址中的值会原地改变。dict, list和set都是可变对象。不可变对象是指，一个对象所指向的地址上值是不能修改的，如果你修改了这个对象的值，那么它指向的地址就改变了，相当于你把这个对象指向的值复制出来一份，然后做了修改后存到另一个地址上了，但是可变对象就不会做这样的动作，而是直接在对象所指的地址上把值给改变了，而这个对象依然指向这个地址。int，str，f

1.在服务器上面创建cuda10容器2.安装anaconda3.然后安装pytorch：conda install pytorch torchvision cudatoolkit=10.04.创建虚拟环境：conda create -n pytorch27 python=2.7然后进入到创建的虚拟环境：conda activate pytorch27然后在虚拟环境中安装pytorch：conda install pytorch torchvision cudatoolkit=10.1

最近在画图的时候,需要在右上角把类别和颜色对应关系画出来.因为刚开始是一个点一个点scatter的,代码如下:data = []lab =[]markers = ["+", "*", "<", ".", "o", ">", ",", "p", "3"]colors = ["red", "green", "orange", "yellow"]for i in range(0,len(data)):'''遍历data中的每个点,然后将其scatter出来.data是一个[79944

在安装openslide的时候出现：ERROR: Command errored out with exit status 1: command: 'd:\anaconda\python.exe' -u -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'C:\\Users\\10622\\AppData\\Local\\Temp\\pip-install-2au6lf3q\\openslide-python\\setup.py'"'

将数据集划分为训练集验证集和测试集:""" 将原始数据集进行划分成训练集、验证集和测试集"""import osimport globimport randomimport shutildataset_dir = os.path.join("..", "..", "Data", "cifar-10-png", "raw_test")train_dir = os.path...

简介t-SNE（ TSNE ）将数据点的相似性转换为概率。原始空间中的相似性表示为高斯联合概率(根据数据点之间的相似性转换为概率)，嵌入空间中的相似性表示为 “学生” 的 t 分布。这允许 t-SNE 对局部结构特别敏感，并且有超过现有技术的一些其它优点.t-SNE 是目前来说效果最好的数据降维与可视化方法，但是它的缺点也很明显，比如：占内存大，运行时间长。但是，当我们想要对高维数据进行分类，...

import h5pyimport numpy as npimport imageio#print的时候不会输出省略号np.set_printoptions(threshold=300000)data_path = "F:\数据集\camelyonpatch\camelyonpatch_level_2_split_train_x.h5"label_path = "F:\数据集\cam...